约翰·霍普金斯大学（JHU）的研究人员已经开发出一种通过在大型语言模型（LLMs）的查询中加入“根据”来减少幻觉的方法。
使用这种方法，LLMs被引导到从其训练数据中引用可信资源，而不是产生虚假的回答。
研究人员使用之前在JHU开发的Data Portraits工具验证了LLM的回答是否存在于训练数据集中，而无需下载大量文本。
他们观察到，当“根据”这个关联提示被纳入查询中时，LLM的QUIP（引用信息准确性）得分提高了5%到15%。
关联提示还可以生成更详细和准确的回答。
约翰·霍普金斯大学的Daniel Khashabi表示：“我们的目标是使模型能够访问有用的内容，比如从高质量或可信文档中记忆的字符串。”
由于回答的准确性取决于训练数据集的质量，该方法可以过滤掉来自声誉不好的网站的数据。来自约翰·霍普金斯大学Hub的完整文章