论文提出用关系图判别实现跨模型幻觉检测
资讯摘要
论文研究跨模型幻觉检测（CMHD）问题，即在源 LLM 上训练检测器并保证其在未见目标 LLM 上的性能。作者指出跨模型表示异质性导致隐藏状态语义不一致，限制了传统基于内部表示的检测器迁移。论文提出 CHORD 框架，将隐藏状态表示为层、token、特征上的联合关系图，经关系感知注意力提取结构特征，并用元学习塑造可迁移检测信号。作者报告其在跨模型泛化上优于代表性方法，代码已公开。
要点速读
- 论文定义跨模型幻觉检测（CMHD）任务：在源 LLM 上训练、在未见目标 LLM 上检测幻觉。
- 作者认为层、token、特征间的关系结构可提供可迁移的检测信号，以缓解表示异质性。
- CHORD 用关系图与关系感知注意力提取结构特征，并以元学习优化可迁移性；作者报告其跨模型泛化优于代表性方法。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。