论文1：综述（arXiv:2311.05232，ACM TOIS 2024）

定位：LLM幻觉领域的权威综述

核心内容：建立了幻觉的定义与分类体系——事实性幻觉（factuality hallucination）和忠实性幻觉（faithfulness hallucination）；沿LLM生命周期归纳三大类幻觉的成因（数据、训练、推理）；梳理检测方法（事实核查 vs 不确定性估计）与缓解方法（数据过滤、模型编辑、RAG、改进解码）；展望多模态幻觉与知识边界认知。

论文2：SelfCheckGPT（arXiv:2303.08896，EMNLP 2023）

定位：幻觉检测的经典方法

核心内容：黑盒、零资源的事实性检测方法。核心假设：如果模型真知道某个知识，多次随机采样的回答会一致；如果是编造的，采样结果会互相矛盾。对同一问题采样N次，用5种方式度量主回答与采样回答的不一致性（BERTScore语义距离 / QA互问 / n-gram重叠 / NLI蕴含 / 直接Prompt另一个LLM），得到每个句子的幻觉分数。

关键结果：在GPT-3生成的人物介绍（基于WikiBio构造、人工标注事实性）上，句子级幻觉检测的AUC-PR显著超过基线，还能对段落做事实性排序（Spearman相关）。

论文3：HaluEval（arXiv:2305.11747，EMNLP 2023）

定位：幻觉评测基准 + 数据集

核心内容：构造了大规模幻觉评测集——用 sampling-then-filtering（采样后过滤） 两阶段框架自动生成幻觉样本，外加人工标注的ChatGPT回答，覆盖问答、对话、摘要等任务，用来评测LLM”识别幻觉”的能力。

关键数字/结果：ChatGPT约 19.5% 的回答含幻觉（主要是编造不可核实信息）；现有LLM识别幻觉的表现很差；但提供外部知识或加入推理步骤（CoT）能显著提升识别能力。

论文4：Package Hallucination（arXiv:2406.10279，USENIX Security 2025）

定位：AI安全×软件供应链安全的交叉

核心内容：代码生成LLM会推荐不存在的软件包名（package hallucination），攻击者可以抢注这些包名投毒，等用户的代码自动安装——一种新型的包混淆攻击（package confusion / slopsquatting）。作者用16个LLM、2种语言（Python/JavaScript）、57.6万个代码样本系统测量了这一现象，并测试了缓解策略。

关键数字：平均幻觉包比例——商业模型≥5.2%，开源模型≥21.7%；共发现 205,474个独特的幻觉包名