背景
LLM 能力强，但会"幻觉"：大语言模型虽然表现优异，但经常生成听起来合理却事实错误的内容，这被称为"幻觉"（hallucination）。
风险高：在企业或关键应用中，这种错误可能带来严重后果。
研究目标
开发一个集成检测与修正的系统，不依赖外部知识源（如搜索引擎或数据库），就能识别并修正幻觉内容。
方法
他们提出了一个叫做 FINCH-ZK 的黑箱框架，核心有两个创新点：
- 跨模型一致性检查（Cross-model consistency）：
用多个不同的模型生成对同一问题的回答。
比较这些回答之间的差异，找出不一致的地方，从而识别可能的幻觉。 - 精准修正（Targeted mitigation）：
不整段重写回答，而是只修改有问题的部分。
保持正确内容不变，提升整体准确性。
对方法的具体解释
1. 跨模型一致性检查
-
生成 prompt 变体：
原 prompt → 改写/扩写/拆解成 7 条语义等价但措辞不同的 prompt
【补充解释】"专用廉价模型" 一次性离线生成，不再经过 Claude / Llama / DeepSeek 这些"考生模型"。
-
交叉采样：
相同的种子数，就会得到相同的十对数据4 个模型 × 7 条 prompt → 最多 28 条回答，轮询顺序取 10 条作为样本集 S
【补充解释】4*7=28条，取其中的10条，这10条怎么得来的？固定随机数种子，用固定的算法得到
【"轮询顺序"就是：洗牌一次，然后按序号循环拿 prompt 和模型，10 行代码就能跑出永远相同的 10 条样本集 S】
- 解释1：
4个模型是什么？4个模型是采样器，可以包括考生模型 - 解释2：
10条怎么得来的？
如图
- 分块：
把目标模型（例如 Claude 4）的回答 rT 按句子切成块 B = {b1,...,b11}
【补充解释】
-
打擂台：
对每个块 bi，让"评委模型"J（便宜快速的 Claude 3-Haiku）把它与 10 条样本逐块对比，输出ACCURATE / NEUTRAL / CONTRADICTION
【补充解释】
-
加权投票：
给 CONTRADICTION 权重 4，ACCURATE 权重 2，NEUTRAL 权重 1，算出 bi 的幻觉分数。
分数 > 0.67 就标为"幻觉块"，并生成一句错误摘要 ei
【补充解释】
结论
多数可以抵消幻觉
2. 精准修正（Targeted mitigation）方法
目标回答 rT
↓ 句子切分
{b1,b2...bk}
↓ 逐块 vs 样本集 S 投票
标记幻觉块 bi
↓ 1. 块级修正
生成 bi′
↓ 2. 拼接
得到 r′
↓ 3. 跨模型润色
参考 S 生成最终 r″