M1 · 幻觉类型全景
大语言模型的幻觉可分为三大类：事实性幻觉（编造不存在的事实）、忠实性幻觉（输出与源文/指令不符）、逻辑幻觉（推理链断裂）。点击下方按钮查看不同类型。
就绪：点击按钮查看幻觉类型。
M2 · 幻觉产生根因
幻觉并非单一原因，而是训练数据、知识时效、采样策略、注意力机制与长尾知识缺失等多重因素叠加的结果。点击按钮定位各类根因。
就绪：点击按钮定位幻觉根因。
M3 · 检索增强生成 (RAG) 防幻觉
RAG 通过在生成前检索外部事实并强制模型引用，将"凭记忆生成"转变为"有据可查的生成"，显著降低事实性幻觉。
就绪：点击按钮对比 RAG 防幻觉效果。
M4 · 解码策略防幻觉
不同的解码策略对幻觉率影响巨大：贪心解码稳定但易重复，高温采样多样但易出错，对比解码能抑制"普通但错误"的续写。
就绪：点击按钮切换解码策略。
M5 · 自我一致性 (Self-Consistency)
对同一问题多次采样得到多条推理路径，再对最终答案做多数投票。即使单条路径出错，投票仍可收敛到正确答案。
就绪：点击按钮观察自我一致性流程。
M6 · 幻觉检测
事后检测是幻觉治理的最后一道防线：NLI 蕴含检验、外部事实核查、多模型交叉验证与置信度估计各有侧重。
就绪：点击按钮查看幻觉检测方法。
M7 · RLHF 防幻觉
RLHF 通过人类偏好数据训练奖励模型，再用 PPO 优化策略，让模型学会"承认不知道"而非编造，从根本上降低幻觉倾向。
就绪：点击按钮查看 RLHF 各阶段。
M8 · 幻觉评估基准
TruthfulQA、HaluEval、FActScore、SelfAware 从真实性、识别率、事实粒度、自我认知四个维度量化模型幻觉水平。
就绪：点击按钮查看评估基准。