Выявление и измерение галлюцинаций
Освойте практические методы определения случаев, когда система RAG выдумывает факты, не подтверждённые извлечённым контекстом, и научитесь измерять частоту галлюцинаций в рамках оценки.
«Выявление и измерение галлюцинаций» — бесплатный урок LLM Apps in Production (RAG + Vector DB + Caching) на CoddyKit. Это урок 4 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения LLM Apps in Production (RAG + Vector DB + Caching), и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс LLM Apps in Production (RAG + Vector DB + Caching) содержит 4 уроков всего.
Части этого урока еще не переведены и отображаются на английском.
What Is a RAG Hallucination?
A hallucination is an answer that is fluent and confident but not supported by the retrieved context. In RAG, the cure is grounding: every claim should trace back to a source.
Measuring hallucination rate is essential to trust your system.
Faithfulness vs Correctness
Two different things to measure:
- Faithfulness — is the answer supported by the provided context?
- Correctness — is the answer factually true in the real world?
A RAG answer can be correct but unfaithful (right by luck) or faithful but wrong (the source was wrong).
Claim Decomposition
To check faithfulness, break the answer into atomic claims, then verify each against the context.
answer = 'Paris is the capital of France and has 5 million people.'
claims = [c.strip() for c in answer.replace(' and ', '. ').split('.') if c.strip()]
for c in claims:
print('CLAIM:', c)Context Entailment
For each claim, ask: does the retrieved context entail it? An NLI model or an LLM judge labels each claim as supported, contradicted, or not-mentioned.
- Supported = grounded
- Not-mentioned = potential hallucination
- Contradicted = definite error
LLM-as-Judge for Faithfulness
A common pattern: prompt a strong model with the context, the answer, and ask it to score whether the answer is fully supported. Calibrate the judge against human labels.
Computing Hallucination Rate
Hallucination rate = fraction of claims (or answers) that are unsupported.
labels = ['supported', 'supported', 'not_mentioned', 'contradicted']
bad = sum(1 for x in labels if x != 'supported')
rate = bad / len(labels)
print('Hallucination rate:', round(rate, 2))Citation Coverage
If your system outputs citations, you can measure citation coverage: the share of sentences that point to a retrieved chunk that actually supports them. Low coverage signals hallucination risk.
Detecting Missing Context
Many hallucinations happen because retrieval failed and the model filled the gap. Track cases where the context lacks the answer but the model still answered confidently instead of saying 'I do not know'.
A Simple Faithfulness Score
Aggregate per-claim labels into a single score per answer.
def faithfulness(labels):
return sum(1 for x in labels if x == 'supported') / len(labels)
print(faithfulness(['supported', 'supported', 'not_mentioned']))Reducing Hallucinations
Once measured, reduce hallucinations by:
- Improving retrieval recall
- Instructing the model to abstain when unsupported
- Requiring inline citations
- Post-hoc filtering of unsupported claims
Tracking Over Time
Add hallucination rate to your regular eval runs. Watch it on every prompt or model change so a regression is caught before it reaches users.
Quick Check
Test your understanding of faithfulness.
Recap
You learned to detect hallucinations by separating faithfulness from correctness, decomposing answers into claims, checking entailment against context with an LLM judge, and computing a hallucination rate. Track it over time and reduce it with better retrieval, abstention, and citations.
Изучай LLM Apps in Production (RAG + Vector DB + Caching) с ИИ-репетитором — бесплатно
Пиши и запускай код прямо в браузере, получай мгновенную помощь от ИИ-репетитора 24/7 и продолжи учиться на сайте или в приложении.
- Курсы
- 12
- Уроки
- 48
Часто задаваемые вопросы
Урок «Выявление и измерение галлюцинаций» бесплатный?
Да — полный текст урока «Выявление и измерение галлюцинаций» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс LLM Apps in Production (RAG + Vector DB + Caching), подпишись на CoddyKit PRO. Курс LLM Apps in Production (RAG + Vector DB + Caching) содержит 4 уроков всего.
Чему я научусь в уроке «Выявление и измерение галлюцинаций»?
Освойте практические методы определения случаев, когда система RAG выдумывает факты, не подтверждённые извлечённым контекстом, и научитесь измерять частоту галлюцинаций в рамках оценки. Ты практикуешь LLM Apps in Production (RAG + Vector DB + Caching) с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать LLM Apps in Production (RAG + Vector DB + Caching)?
Предыдущий опыт не требуется. LLM Apps in Production (RAG + Vector DB + Caching) на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 4 из 4.
Сколько времени занимает урок «Выявление и измерение галлюцинаций»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке LLM Apps in Production (RAG + Vector DB + Caching)?
Да. Каждый урок LLM Apps in Production (RAG + Vector DB + Caching) включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- Ключевые метрики производительности RAG
- Разработка эталонов оценки
- A/B-тестирование и циклы обратной связи с пользователями
- Выявление и измерение галлюцинаций