大模型长文生成中的幻觉与事实性：研究进展综述

上一篇笔记介绍了我们提出的KLCF框架：基于知识一致性验证的强化学习框架：提升大模型在长文生成中的事实性

这篇文章分享一个整理的有关大模型长文幻觉与事实性的仓库：Awesome Long-Form Factuality！

它系统整理了大模型长文生成事实性研究的最新进展，包括以下内容：

• 从问题洞察到评测方法 全面梳理了“幻觉”问题的根源，以及如何量化评估生成文本的事实性。
• 从提示工程到强化学习 收录了提升事实性的主流技术路径，包括：（1）Prompt工程：如何通过提示词引导模型；（2）微调技术：SFT与DPO等对齐方法；（3）强化学习：RLHF及其变体等多种RL框架；（4）主流评测基准与综述：汇总了该领域的关键评测数据集与权威综述文章
  
  这个仓库旨在为社区提供一份持续更新的研究路线图，欢迎Star🌟 & PR！
  GitHub链接: https://github.com/ki-ljl/Awesome-Long-Form-Factuality