LLM代码幻觉系统文献综述：特征刻画、缓解方法、挑战及可靠AI的未来方向
软件工程
2025-11-04 v1
摘要
模型幻觉是大型语言模型(LLM)面临的最关键挑战之一，尤其是在高风险的代码智能任务中。随着LLM越来越多地集成到软件工程任务中，理解和缓解代码中的幻觉变得至关重要。在本篇综述中，我们从四个关键维度系统回顾了代码导向LLM中幻觉现象。首先，我们调查了60篇论文，定义代码语境下的幻觉，并总结其主要原因，如数据噪声、曝光偏差和不足的语义 grounding，同时追踪了近期在自然语言处理(NLP)和软件工程社区中的文献趋势。其次，我们综述了更广泛范围内的模型幻觉综述，并总结了代表性的幻觉缓解策略，如知识增强生成、受限解码和后编辑。再次，我们综述了针对代码智能的做法，突出了那些加剧幻觉的特定挑战，包括语法敏感性、严格的类型系统以及对外部库的依赖。同时，我们分析了用于检测和缓解幻觉的 emerging code intelligence 任务，如程序分析、符号执行和单元测试。最后，我们总结了当前的评估基准，从静态指标到动态检查（如编译和执行正确性），并强调需要幻觉导向的基准。
引用
@article{arxiv.2511.00776,
title = {A Systematic Literature Review of Code Hallucinations in LLMs: Characterization, Mitigation Methods, Challenges, and Future Directions for Reliable AI},
author = {Cuiyun Gao and Guodong Fan and Chun Yong Chong and Shizhan Chen and Chao Liu and David Lo and Zibin Zheng and Qing Liao},
journal= {arXiv preprint arXiv:2511.00776},
year = {2025}
}