页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「RAG 幻觉」找到 218 条内容
按专题浏览 →匹配正文：答案要点 RAG基本原理（检索+生成两阶段流程） 传统RAG的局限性（语义碎片化、缺乏全局关联） GraphRAG的核心改进（构建实体关系图、社区发现、分层摘要） GraphRAG的检索优势（多跳推理、全局信息聚合） 实际应用场景举例 RAG基本原理 RAG = 检索(Retrieval) + 生成(Generation)，解决大模型知识截止和幻觉问题： 索引阶段：文档切分→Embedding→存入向量数据库 检索阶段：用户查询向量化→相似度搜索→召回Top-K片段 生成阶段…
匹配正文：…加强事实性数据清洗，过滤低质、冲突信息 知识图谱注入：将结构化知识（如海尔产品知识库）与文本联合训练 对抗性数据增强：构造"事实-幻觉"对比样本，提升模型辨别能力 模型架构层面 检索增强生成（RAG）：动态检索外部知识库，将检索结果作为上下文约束生成 知识编辑：用ROME、MEMIT等方法精准修正模型中的事实错误 约束解码：在解码层加入事实一致性约束，限制低概率幻觉token 推理策略层面 降低采样温度：减少随机性，greedy或低temperature采样 Self-Con…
匹配正文：…用来源 引入"拒绝回答"样本：对超出知识范围的问题训练模型坦诚表示不确定 RLHF阶段 奖励模型加入事实性维度，惩罚编造内容 使用RAG或工具调用结果作为参考答案进行强化学习 二、推理机制优化 解码策略 约束解码：强制要求关键事实必须来自输入上下文 自我验证：生成后让模型自我检查"这个陈述是否有依据"，可迭代多轮 多采样投票：多次采样取一致答案，降低随机性带来的幻觉 推理时增强 Chain-of-Thought：显式推理过程便于追溯错误来源 动态置信度估计：输出时附带不确定性…
学习内容与项目面试，在同一条路上。