A Lightweight Retrieval-Grounded Framework for Hallucination Detection and Correction in Large Language Models
Este artículo propone un marco ligero y modular basado en la recuperación que detecta y corrige eficazmente las alucinaciones en los Grandes Modelos de Lenguaje mediante el aprovechamiento de la recuperación de evidencia por TF-IDF y la verificación ponderada, logrando una alta precisión de detección y una reducción significativa de las alucinaciones sin la sobrecarga computacional de la inferencia de múltiples LLM.