Topic / Trend Rising

Affidabilità degli LLM e rilevamento delle allucinazioni

La ricerca si concentra sempre più sull'affidabilità degli LLM, dai rilevatori di allucinazioni su piccoli modelli quantizzati al raffinamento step-aware nei modelli multimodali e alla mappatura dei processi interni. L'obiettivo comune è individuare e ridurre i guasti, superando la sola valutazione tramite benchmark.

Detected: 2026-11-17 · Updated: 2026-11-17

Articoli Correlati

2026-11-16 • ArXiv cs.CL

Oltre il punteggio: mappare i processi interni degli LLM

Un nuovo framework analizza i segnali interni di 16 LLM su 24 benchmark, distinguendo compiti centrati sul recupero da compiti centrati sul ragionamento. L’obiettivo è rendere visibili i modi di guasto che i punteggi aggregati nascondono e orientare ...

#LLM On-Premise #DevOps
2026-11-16 • ArXiv cs.AI

Quando i rilevatori di allucinazioni non reggono sui piccoli LLM a 4 bit

Un audit su due LLM open da 3B a 4 bit mostra che i rilevatori di allucinazioni non mantengono la classifica: il ranking si inverte tra i modelli e una baseline lessicale a basso costo è indistinguibile dai metodi di coerenza campionaria. L’etichetta...

#Hardware #LLM On-Premise #DevOps
2026-11-11 • ArXiv cs.CL

StepRefine: meno allucinazioni nei modelli multimodali con decoding step-aware

Un approccio di decoding step-aware per modelli diffusion multimodali individua gli spike di entropia associati alle allucinazioni e passa a un raffinamento continuo sui token incerti. Il controller di StepRefine limita i loop inutili. Risultato: mit...

#Hardware #LLM On-Premise #Fine-Tuning
← Torna ai Topic