Buchumschlag

LLMs Will Always Hallucinate, and We Need to Live With This

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Banerjee, Sourav, Agarwal, Ayushi, Singla, Saloni
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

The Vulnerability of Language Model Benchmarks: Do They Accurately Reflect True LLM Performance?
von: Banerjee, Sourav, et al.
Veröffentlicht: (2024)

No Certificate for Alignment: Two Independent Impossibilities and the Pareto Frontier of Achievable Safety Guarantees
von: Agarwal, Ayushi
Veröffentlicht: (2026)

Do We Always Need the Simplicity Bias? Looking for Optimal Inductive Biases in the Wild
von: Teney, Damien, et al.
Veröffentlicht: (2025)

Should We Always Train Models on Fine-Grained Classes?
von: Pirovano, Davide, et al.
Veröffentlicht: (2025)

High-precision medical speech recognition through synthetic data and semantic correction: UNITED-MEDASR
von: Banerjee, Sourav, et al.
Veröffentlicht: (2024)

How Far Are We From AGI: Are LLMs All We Need?
von: Feng, Tao, et al.
Veröffentlicht: (2024)

Curriculum Design for Trajectory-Constrained Agent: Compressing Chain-of-Thought Tokens in LLMs
von: Tzannetos, Georgios, et al.
Veröffentlicht: (2025)

Do We Need Adam? Surprisingly Strong and Sparse Reinforcement Learning with SGD in LLMs
von: Mukherjee, Sagnik, et al.
Veröffentlicht: (2026)

When Can We Track Significant Preference Shifts in Dueling Bandits?
von: Suk, Joe, et al.
Veröffentlicht: (2023)

We Need to Rethink Benchmarking in Anomaly Detection
von: Röchner, Philipp, et al.
Veröffentlicht: (2025)

Teaming LLMs to Detect and Mitigate Hallucinations
von: Till, Demian, et al.
Veröffentlicht: (2025)

Were RNNs All We Needed?
von: Feng, Leo, et al.
Veröffentlicht: (2024)

Do We Really Even Need Data?
von: Hoffman, Kentaro, et al.
Veröffentlicht: (2024)

Can LLMs Lie? Investigation beyond Hallucination
von: Huan, Haoran, et al.
Veröffentlicht: (2025)

Lost in the Shuffle: Testing Power in the Presence of Errorful Network Vertex Labels
von: Saxena, Ayushi, et al.
Veröffentlicht: (2022)

Do We Need Transformers to Play FPS Video Games?
von: Batth, Karmanbir, et al.
Veröffentlicht: (2025)

We Have a Package for You! A Comprehensive Analysis of Package Hallucinations by Code Generating LLMs
von: Spracklen, Joseph, et al.
Veröffentlicht: (2024)

SAPG: Split and Aggregate Policy Gradients
von: Singla, Jayesh, et al.
Veröffentlicht: (2024)

Towards Realistic Guarantees: A Probabilistic Certificate for SmoothLLM
von: Kumarappan, Adarsh, et al.
Veröffentlicht: (2025)

Mechanistic Interpretability of Brain-to-Speech Models Across Speech Modes
von: Maghsoudi, Maryam, et al.
Veröffentlicht: (2026)

Why Do We Need Weight Decay in Modern Deep Learning?
von: D'Angelo, Francesco, et al.
Veröffentlicht: (2023)

AALF: Almost Always Linear Forecasting
von: Jakobs, Matthias, et al.
Veröffentlicht: (2024)

First Train to Generate, then Generate to Train: UnitedSynT5 for Few-Shot NLI
von: Banerjee, Sourav, et al.
Veröffentlicht: (2024)

Robust Hallucination Detection in LLMs via Adaptive Token Selection
von: Niu, Mengjia, et al.
Veröffentlicht: (2025)

Position: We Need An Algorithmic Understanding of Generative AI
von: Eberle, Oliver, et al.
Veröffentlicht: (2025)

X-Node: Self-Explanation is All We Need
von: Sengupta, Prajit, et al.
Veröffentlicht: (2025)

A Concise Review of Hallucinations in LLMs and their Mitigation
von: Pulkundwar, Parth, et al.
Veröffentlicht: (2025)

Isoperimetry is All We Need: Langevin Posterior Sampling for RL with Sublinear Regret
von: Jorge, Emilio, et al.
Veröffentlicht: (2024)

Towards Generalizable Agents in Text-Based Educational Environments: A Study of Integrating RL with LLMs
von: Radmehr, Bahar, et al.
Veröffentlicht: (2024)

Support is All You Need for Certified VAE Training
von: Xu, Changming, et al.
Veröffentlicht: (2025)

We Need to Talk About Classification Evaluation Metrics in NLP
von: Vickers, Peter, et al.
Veröffentlicht: (2024)

Cost-Effective Hallucination Detection for LLMs
von: Valentin, Simon, et al.
Veröffentlicht: (2024)

From Nodes to Narratives: Explaining Graph Neural Networks with LLMs and Graph Context
von: Baghershahi, Peyman, et al.
Veröffentlicht: (2025)

Do We Really Need Permutations? Impact of Model Width on Linear Mode Connectivity
von: Ito, Akira, et al.
Veröffentlicht: (2025)

Always Skip Attention
von: Ji, Yiping, et al.
Veröffentlicht: (2025)

Always Learning, Always Mixing: Efficient and Simple Data Mixing All The Time
von: Hu, Michael Y., et al.
Veröffentlicht: (2026)

Why Do We Need Warm-up? A Theoretical Perspective
von: Alimisis, Foivos, et al.
Veröffentlicht: (2025)

Logits are All We Need to Adapt Closed Models
von: Hiranandani, Gaurush, et al.
Veröffentlicht: (2025)

LLMs as Assessors: Right for the Right Reason?
von: Saha, Sourav, et al.
Veröffentlicht: (2026)

Can Knowledge Graphs Reduce Hallucinations in LLMs? : A Survey
von: Agrawal, Garima, et al.
Veröffentlicht: (2023)