大语言模型生成中的"幻觉率"问题，指的是模型生成的内容不准确或虚构的情况。幻觉率过高会导致错误信息的传播，特别是在一些需要高度准确性的任务中，例如法律、医学等领域。
RAG
检索增强生成（Retrieval-Augmented Generation，RAG）：将语言模型与检索系统结合，让模型在生成之前先检索相关的事实数据，从而增强生成的准确性。
RLHF
基于人类反馈的强化学习（Reinforcement Learning with Human Feedback，RLHF）：通过人类标注者对模型输出的评估与反馈，模型可以学会减少不准确或虚构的生成内容。例如，OpenAI 的 GPT 模型通过这个方法显著降低幻觉率。
有监督微调：将模型与已知正确的答案进行有监督微调，特别是在关键领域，这有助于模型学会生成更为准确的结果。
其它
- 数据质量控制
- 使用多领域的高质量数据
- 事实验证和查询检索
- 显性推理链
- 明确模型限制
- 使用更小、更专精的子模型
- 增强对外部知识的使用
- 生成内容的可解释性
- 使用引用和来源
- 数据多样化