تُعتبر الهلوسة من التحديات الكبرى التي تواجه نماذج اللغة الكبيرة (LLMs)، حيث يمكن أن يؤدي إنتاج معلومات غير دقيقة إلى عواقب وخيمة، خصوصًا في التطبيقات التي تتطلب تدقيقًا دقيقًا للحقائق. تعتمد الأساليب الحالية في اكتشاف الهلوسات بشكل رئيسي على إشارات داخلية مثل الشكوك والتحقق من الاتساق الذاتي، مما يضع اعتمادًا على المعرفة السابقة للنموذج لتحديد المخرجات غير الموثوقة.

ومع ذلك، قد تصبح هذه المعرفة قديمة وقد تواجه قيودًا في تغطية المعلومات، خاصةً تلك المتعلقة بالمعلومات المتخصصة أو الحديثة. لمعالجة هذه التحديات، ظهرت تقنية الاسترجاع المعزز للتوليد (RAG) كحل واعد يعزز القدرة على استرجاع الأدلة ذات الصلة في وقت الاستدلال، مما يجعل المخرجات مبنية على معلومات تتجاوز المعرفة المدربة مسبقًا للنموذج.

في هذه الورقة، نستهدف مشكلة تعلم حيوية وعملية تتعلق باكتشاف الهلوسات المبنية على RAG (RHD)، حيث يتم استخدام RAG لتعزيز اكتشاف الهلوسات من خلال معالجة تحديات تحديث المعلومات. ونقدم طريقة جديدة تُعرف باسم التحقق من الكيانات المتوافقة مع الأدلة (EAEV)، التي تكشف عن الهلوسات على مستوى الكيانات من خلال الاستفادة من RAG لملائمة الكيانات المنتجة مع السياقات المسترجعة.

تقيّم EAEV ملائمة الكيانات بالأدلة عبر ثلاثة أبعاد تكاملية وتدخل تحليل الثبات المضاد لضمان ملائمات قوية تحت اضطرابات الأدلة. أظهرت التجارب التي أجريت عبر العديد من معايير RAG أن EAEV تحقق تحسينات مستمرة مقارنةً بالأساليب الحالية مع قدرة قوية على التعميم.