有价值的幻觉：可实现的非现实命题

本文首次为大型语言模型（LLM）中的有价值幻觉提供正式定义，填补了现有文献中的空白。我们提供了关于幻觉价值的系统性定义和分析，提出了提高幻觉价值的方法。与之前的研究不同，后者常将幻觉视为广泛的缺陷，而本文聚焦于某些特定情境下幻觉可能带来的价值。LLM 中的幻觉通常指生成不忠实、虚构、不一致或毫无意义的内容。本文通过形式化表示和人工判断“有价值的幻觉”，探讨了可实现的非现实命题——即在特定条件下可达成但当前并非如此的想法——如何具有建设性价值。我们使用 Qwen2.5 模型和 HalluQA 数据集进行实验，采用 ReAct 提示技术（包括推理、置信度评估和答案验证），控制和优化幻觉。我们的发现表明，ReAct 提示技术导致整体幻觉减少 5.12%，且有价值幻觉的比例从 6.45% 提升至 7.92%。这些结果表明，系统性地控制幻觉可以在不损害事实可靠性的前提下提高其实用性。