في عالم يتطور بسرعة مع تكنولوجيا الذكاء الاصطناعي، أصبح التعامل مع نماذج اللغة الكبيرة (LLMs) جزءًا لا يتجزأ من تحسين السير الذاتية لتناسب أنظمة تتبع المتقدمين. وفي هذا السياق، تظهر مشكلة هلاوس هذه النماذج - أو الأخطاء الغير متوقعة - التي تشمل عدة مخاطر مثل إدخال تقنيات قديمة، وخلط المصطلحات بين المجالات، وتغييرات هيكلية، وإنتاج محتوى غير موثوق.

للتغلب على هذه التحديات، تم الكشف عن إطار Grounded Optimization، الذي يتألف من خمس طبقات:
1. **تحقق من السياق الزمني**
2. **كشف التلوث الحتمي**
3. **تنفيذ الثوابت الهيكلية**
4. **تحقيق التأصيل على مستوى الموجه**
5. **إضافة وكيل تقييم**

أظهرت التجارب المنفذة على ثلاثة نماذج لغة كبيرة، ومع أربعة إعدادات حرارة، وستة تكوينات طبقية عبر 25 سيرة ذاتية صناعية من 14 صناعة، أن نماذج الأساس غير المحمية أنتجت 2.48-5.36 هلاوس مكتشفة لكل سيرة ذاتية. ولكن مع استخدام الدفاعات الحديثة، انخفضت حالات الهلاوس الزمانية بنسبة تتراوح بين 50% إلى 95% في جميع الظروف، مما أسفر عن انخفاض معدلات الهلاوس الكلية إلى 0.04-0.24. ووفقًا لهذه النتائج، أظهرت تحقيق التأصيل على مستوى الموجه نتائج مذهلة مع عدم اكتشاف أي هلاوس عند درجات حرارة منخفضة باستخدام نموذج قادر على اتباع التعليمات. ومع درجات حرارة أعلى، تكشف التجارب عن الحاجة إلى الطبقات الحتمية كتكملة ضرورية.

كذلك، تم إصدار تصنيف التلوث، وشيفرة التقييم، والبيانات الخام لتعزيز الشفافية في البحث. وهذا يعد خطوة هامة نحو تحسين الأمان والمصداقية في استخدام نماذج اللغة الكبيرة بشكل احترافي.