Buchumschlag

Measuring Language Model Hallucinations Through Distributional Correctness

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Burns, Thomas F
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

The Hallucinations Leaderboard -- An Open Effort to Measure Hallucinations in Large Language Models
von: Hong, Giwon, et al.
Veröffentlicht: (2024)

Once Correct, Still Wrong: Counterfactual Hallucination in Multilingual Vision-Language Models
von: Mousi, Basel, et al.
Veröffentlicht: (2026)

Woodpecker: Hallucination Correction for Multimodal Large Language Models
von: Yin, Shukang, et al.
Veröffentlicht: (2023)

MeasHalu: Mitigation of Scientific Measurement Hallucinations for Large Language Models with Enhanced Reasoning
von: Huang, Ruijun, et al.
Veröffentlicht: (2026)

Why Language Models Hallucinate
von: Kalai, Adam Tauman, et al.
Veröffentlicht: (2025)

Pre-trained Language Models Return Distinguishable Probability Distributions to Unfaithfully Hallucinated Texts
von: Cha, Taehun, et al.
Veröffentlicht: (2024)

Self-Correcting Decoding with Generative Feedback for Mitigating Hallucinations in Large Vision-Language Models
von: Zhang, Ce, et al.
Veröffentlicht: (2025)

Can Hallucination Correction Improve Video-Language Alignment?
von: Zhao, Lingjun, et al.
Veröffentlicht: (2025)

Humans Hallucinate Too: Language Models Identify and Correct Subjective Annotation Errors With Label-in-a-Haystack Prompts
von: Chochlakis, Georgios, et al.
Veröffentlicht: (2025)

Negative Object Presence Evaluation (NOPE) to Measure Object Hallucination in Vision-Language Models
von: Lovenia, Holy, et al.
Veröffentlicht: (2023)

Distribution Corrected Offline Data Distillation for Large Language Models
von: Zhang, Yumeng, et al.
Veröffentlicht: (2026)

Geometric Uncertainty for Detecting and Correcting Hallucinations in LLMs
von: Phillips, Edward, et al.
Veröffentlicht: (2025)

Can Knowledge Editing Really Correct Hallucinations?
von: Huang, Baixiang, et al.
Veröffentlicht: (2024)

Measuring the Impact of Lexical Training Data Coverage on Hallucination Detection in Large Language Models
von: Zhang, Shuo, et al.
Veröffentlicht: (2025)

Alleviating Hallucinations of Large Language Models through Induced Hallucinations
von: Zhang, Yue, et al.
Veröffentlicht: (2023)

Multilingual Hallucination Gaps in Large Language Models
von: Chataigner, Cléa, et al.
Veröffentlicht: (2024)

Mitigating Hallucinations in Large Vision-Language Models by Self-Injecting Hallucinations
von: Lu, Yifan, et al.
Veröffentlicht: (2025)

Distributional Semantics Tracing: A Framework for Explaining Hallucinations in Large Language Models
von: Bhatia, Gagan, et al.
Veröffentlicht: (2025)

Correction with Backtracking Reduces Hallucination in Summarization
von: Liu, Zhenzhen, et al.
Veröffentlicht: (2023)

Exploring and Mitigating Fawning Hallucinations in Large Language Models
von: Shangguan, Zixuan, et al.
Veröffentlicht: (2025)

Large Language Models Hallucination: A Comprehensive Survey
von: Alansari, Aisha, et al.
Veröffentlicht: (2025)

Language Models Hallucinate, but May Excel at Fact Verification
von: Guan, Jian, et al.
Veröffentlicht: (2023)

Fine-grained Hallucination Detection and Editing for Language Models
von: Mishra, Abhika, et al.
Veröffentlicht: (2024)

Mitigating Large Language Model Hallucination with Faithful Finetuning
von: Hu, Minda, et al.
Veröffentlicht: (2024)

HalluShift: Measuring Distribution Shifts towards Hallucination Detection in LLMs
von: Dasgupta, Sharanya, et al.
Veröffentlicht: (2025)

Correcting Hallucinations in News Summaries: Exploration of Self-Correcting LLM Methods with External Knowledge
von: Vladika, Juraj, et al.
Veröffentlicht: (2025)

Distribution Prompting: Understanding the Expressivity of Language Models Through the Next-Token Distributions They Can Produce
von: Wang, Haojin, et al.
Veröffentlicht: (2025)

Hallucination Detection with Small Language Models
von: Cheung, Ming
Veröffentlicht: (2025)

Calibrated Language Models Must Hallucinate
von: Kalai, Adam Tauman, et al.
Veröffentlicht: (2023)

Multi-Object Hallucination in Vision-Language Models
von: Chen, Xuweiyi, et al.
Veröffentlicht: (2024)

Addressing Topic Granularity and Hallucination in Large Language Models for Topic Modelling
von: Mu, Yida, et al.
Veröffentlicht: (2024)

Lost in Transcription, Found in Distribution Shift: Demystifying Hallucination in Speech Foundation Models
von: Atwany, Hanin, et al.
Veröffentlicht: (2025)

Quantifying Hallucinations in Language Language Models on Medical Textbooks
von: Colelough, Brandon C., et al.
Veröffentlicht: (2026)

Benchmarking Deflection and Hallucination in Large Vision-Language Models
von: Moratelli, Nicholas, et al.
Veröffentlicht: (2026)

HaluEval-Wild: Evaluating Hallucinations of Language Models in the Wild
von: Zhu, Zhiying, et al.
Veröffentlicht: (2024)

Knowledge Overshadowing Causes Amalgamated Hallucination in Large Language Models
von: Zhang, Yuji, et al.
Veröffentlicht: (2024)

How Large Language Models are Designed to Hallucinate
von: Ackermann, Richard, et al.
Veröffentlicht: (2025)

Jailbreaking Large Language Models Through Alignment Vulnerabilities in Out-of-Distribution Settings
von: Huang, Yue, et al.
Veröffentlicht: (2024)

Hallucination Detection and Evaluation of Large Language Model
von: Zhang, Chenggong, et al.
Veröffentlicht: (2025)

An Evolutionary Large Language Model for Hallucination Mitigation
von: Boulesnane, Abdennour, et al.
Veröffentlicht: (2024)