纠正新闻摘要中的幻觉问题：基于外部知识的自纠正大语言模型方法探索

尽管大型语言模型（LLM）在生成连贯文本方面显示出惊人的能力，但它们仍然存在幻觉——即事实不准确的陈述。为了解决幻觉问题，众多方法中，尤其是自纠正方法备受推崇。它们利用LLM的多轮交互能力，不断生成询问额外证据的验证问题，用内部或外部知识进行回答，并利用这些新证据对原始响应进行修正。虽然这些方法已在百科全书式生成中得到探索，但在新闻摘要等领域则较少被关注。本文通过将其应用于使用来自三个搜索引擎的证据来纠正幻觉摘要，我们分析了结果并提供了对系统性能的见解，揭示了搜索引擎摘要和少样本提示的优势，以及G-Eval与人类评估高度一致的实用发现。