最低跨度置信度：一种用于LLM高效黑盒幻觉检测的零样本度量
计算与语言
2026-01-29 v1
摘要
大型语言模型中的幻觉，即生成看似合理但非事实内容的倾向，对其在高风险环境中的可靠部署构成了重大挑战。然而，现有的幻觉检测方法通常在非现实的假设下运行，即要么需要昂贵的密集采样策略进行一致性检查，要么需要白盒LLM状态，这在常见的基于API的场景中不可用或效率低下。为此，我们提出了一种新颖高效的零样本度量，称为最低跨度置信度，用于在最小资源假设下进行幻觉检测，仅需一次带有输出概率的前向传播。具体来说，LSC通过滑动窗口机制评估语义连贯跨度的联合似然。通过识别可变长度n-gram上最低边际置信度的区域，LSC能够很好地捕捉与事实不一致性强烈相关的局部不确定性模式。重要的是，LSC可以减轻困惑度的稀释效应和最小词元概率的噪声敏感性，为事实不确定性提供更稳健的估计。在多个最先进LLM和多样化基准上的大量实验表明，LSC持续优于现有的零样本基线，即使在资源受限条件下也能提供强大的检测性能。
引用
@article{arxiv.2601.19918,
title = {Lowest Span Confidence: A Zero-Shot Metric for Efficient and Black-Box Hallucination Detection in LLMs},
author = {Yitong Qiao and Licheng Pan and Yu Mi and Lei Liu and Yue Shen and Fei Sun and Zhixuan Chu},
journal= {arXiv preprint arXiv:2601.19918},
year = {2026}
}