大型语言模型(LLM)幻觉相关论文列表，旨在解决大语言模型中的幻觉和真实性问题，通过评估、检测和改进方法提高语言模型的可靠性和正确性。
一个关于大语言模型（LLM）幻觉的研究项目，旨在探讨LLM的幻觉现象及其解决方案。项目致力于分析LLM幻觉的根本原因，提供多种解决方案，并建立评估体系以检测幻觉，融合领域知识以提升模型的可靠性。
这篇论文认为，幻觉并非偶然错误，而是大模型的底层数学和逻辑结构的必然结果。通过计算理论和哥德尔不完备定理，证明幻觉在LLMs的每个阶段都不可避免。
从零开始构建自己的大型语言模型，提供详细教程和代码实现，覆盖编码、预训练和微调过程，适用于对自然语言处理和人工智能领域感兴趣的开发者和研究者
该项目收录了关于大语言模型持续学习的关键论文，提供最新的研究成果和方法，适合研究人员和开发者参考，包含对比不同方法的分析。
该项目提供系统化的深度学习学习资料，专注于大语言模型的对齐，涵盖多种深度学习技术和方法，适合不同水平的学习者。
PureStrength是一个在线工具，提供对深蹲、卧推和硬拉等练习的杠铃路径的详细分析。它提供关于速度、活动范围（ROM）、侧移和暂停时间的见解，以及对深蹲深度和硬拉脊柱弯曲的姿势反馈。用户只需上传深蹲、卧推或硬拉的训练视频，该工具将分析杠铃路径并提供各种参数的详细反馈，帮助用户提升举重技巧和表现。
哈佛大学出品的新论文，旨在提升LLM在TrucefulQA数据集上的正确率。该项目通过改进模型的输出和修正机制，使得大型语言模型在处理特定数据集时表现更佳。
