只靠一问一答，就能抓出大模型幻觉，准确率88% | ICML'26

HCPD 团队 投稿 
量子位 | 公众号 QbitAI

随着大语言模型广泛应用于教育、医疗等决策支持场景，幻觉（LLM Hallucination）仍是其可靠部署面临的核心风险之一。

更具挑战的是，在许多实际场景中，检测者既无法访问目标模型的输出概率、中间状态等内部信息，也难以持续依赖搜索引擎、知识库或标准答案进行事实核验。

本文介绍发表于ICML 2026的文章《Zero-source LLM Hallucination Detection with Human-like Criteria Probing》。文章从人类专家多维、动态的评估过程出发，提出了类人准则探测机制（HCPD），并结合弱监督奖励对齐与多采样聚合，实现可解释、稳定且具有较强泛化能力的幻觉检测。

研究背景与动机：没有“参考答案”和“内部信息”，幻觉检测的类人机制实现

现有大语言模型幻觉检测方法通常依赖目标模型的输出概率、置信度、多次生成结果，或模型内部表示等辅助信号。然而，在真实应用中，待检测文本的生成来源往往未知，检测者可能只能获得最终问答文本；与此同时，持续依赖知识库或参考答案进行事实核验，不仅带来额外计算与时间开销，其效果还受外部信息覆盖范围与可靠性的限制。

因此，本文关注一种更为严格的设定：零源（Zero-source）幻觉检测。检测器只能依据给定问题与回答本身判断其可靠性。这显著压缩了可利用信息，也更贴近部分真实部署环境。

不难观察到，人类评估回答时通常不会机械套用统一标准，而会根据问题内容动态调整关注重点。例如，历史问题更关注人物、地点和时间，科学问题更重视事实依据、概念准确性与推理逻辑；不同标准的重要性也会随具体样本变化。因此，本文将幻觉检测重新建模为一种类人化的动态评估过程。

上图对HCPD的流程进行了直观展示：给定问答对，Agent首先从多个候选评估维度出发，根据当前样本自适应生成具体的评价准则及其对应权重，随后围绕各项准则进行逐维分析与评分，并综合形成最终的幻觉判断。在训练阶段，作者进一步采用GRPO对这一类人评估能力进行优化与对齐；在推理阶段，则通过并行采样聚合多次独立评估，以降低单次生成带来的随机波动，从而获得更稳定、可靠的检测结果。

HCPD：基于类人标准探索的幻觉检测框架

Human-like Criteria Probing Mechanism：自适应匹配评估标准

HCPD预先定义事实正确性、逻辑一致性、语义准确性、时间一致性和社会合规性等通用评价维度C。需要强调的是，这些通用维度并非固定不变的最终评价模板，而是为后续标准生成提供基础框架。

针对具体的（q，a），Agent会进一步结合当前问题与回答内容，生成更具针对性的细粒度标准，并为不同评价标准分配相应的重要性权重，进而按照标准为回答打出分数sₚ：

据此，HCPD不仅能够给出幻觉判断，还可以输出相应的评价准则、权重及分析依据，为检测结果提供更细粒度的解释。

Reward-based Alignment Training：提升评估结果的可靠性

仅依赖Prompt难以保证Agent评分的稳定性。为此，论文采用GRPO进行奖励对齐，使Agent学习更可靠的准则生成、权重分配与评分行为。

考虑到大规模人工细粒度评分成本较高，在训练阶段，基于标准问答数据集中的参考答案â与模型生成的候选回答a⁽ⁿ⁾，利用语义相似度指标构造弱监督标签sₗ⁽ⁿ⁾，并将其映射至1–10的细粒度评分尺度：

随后，根据Agent的预测评分sₚ与弱监督评分sₗ之间的偏差构造奖励函数：

相比简单的二分类标签，细粒度评分能够更充分刻画回答可靠性的连续变化，并提供更具区分度的优化信号。

Multi-sampling Aggregation Strategy：降低单次评估的随机性

由于LLM生成具有随机性，同一问答对在不同采样中可能产生不同的准则、分析路径和评分。HCPD因此在推理阶段并行执行多次完整评估最终评分，并对结果进行聚合得到最终评分，以降低随机采样引入的波动，提高最终判断的稳定性。

实验验证：跨目标模型与问答场景的性能分析

论文在TriviaQA、SciQ、NQ Open和CoQA四个问答数据集上进行评测，覆盖LLaMA与Qwen两个模型家族及7个不同规模的目标模型。

标准评测

在LLaMA-3.1-8B上，HCPD的平均AUROC达到88.19%，较次优方法提升10.20%。在Qwen-3-8B上，平均AUROC达到89.62%，较次优方法提升约10.15%。

跨模型评测

在真实应用场景中，待检测文本的生成来源往往并不明确。因此，论文进一步评估HCPD在生成模型发生变化时的泛用性。

跨目标模型实验表明，HCPD在生成模型发生变化时仍能保持稳定检测能力。由于其主要依据不同模型共享的自然语言空间，而非绑定特定模型的内部表示或概率信号，因此更适用于生成来源未知的开放环境。

总结与展望

HCPD面向目标模型黑盒、无外部知识与参考答案的零源场景，将幻觉检测从依赖固定信号的判别过程转化为类人动态评估：根据问答内容自适应生成评价准则、估计其重要性并进行细粒度评分，再通过奖励对齐提升评分可靠性，并利用多采样聚合降低推理波动。

实验结果表明，HCPD在不同数据集、不同目标模型以及跨模型、跨数据分布迁移设置下均展现出较强的检测能力与泛化性，同时能够提供细粒度的评价依据。

随着大语言模型生成文本日益流畅，仅依赖表面异常信号进行幻觉检测将愈发困难。在这一背景下，幻觉检测或许需要从简单回答“这个回答是否异常”，进一步转向理解“这个回答为什么值得相信，或为什么不值得相信”。这也正是HCPD所尝试提供的一个新的研究视角。

论文链接：https://arxiv.org/abs/2606.12900
代码链接：https://github.com/TRISKEL10N/HCPD