随着企业越来越多地应用大型语言模型（LLMs），如何提升模型的知识准确性并减少幻觉现象，成为了一项重要挑战。Meta AI 的研究人员在一篇新论文中提出了 “可扩展记忆层”，或许能够为这一问题提供解决方案。可扩展记忆层的核心思想是在不增加推理时计算资源的情况下，向 LLMs 中添加更多参数，从而提升其学习能力。这种架构适用于需要储存大量事实知识但又希望保持推理速度的应用场景。传统的语言模型使用 “密集层” 来编码大量信息。在密集层中，所有参数在推理时几乎都是

大型语言模型（LLM）的横空出世，尤其是ChatGPT等应用的普及，彻底改变了人机交互的方式。 这些模型能够生成连贯且全面的文本，令人印象深刻。然而，尽管能力强大，LLM却容易产生“幻觉”，即生成看似真实但实际上是虚构、无意义或与提示不符的内容。哈佛大学的研究人员对LLM“幻觉”现象进行了深入研究，发现其根源在于LLM的工作原理。 LLM通过对海量文本数据进行机器学习来构建概率模型，并根据词语共现的概率来预测下一个词语。 换句话说，LLM并非真正理解语言的含义，而是根

["专家担忧热门AI平台如ChatGPT存在的幻觉现象。","AI幻觉是信息看似正确实际不准确的现象。","ChatGPT被指出提供虚假信息，引发科学家关注。"]

["美国 AI 初创公司 Galileo 发布新工具，帮助用户解释 AI 大模型的幻觉现象","Galileo Studio 具备实时监测功能，优化 LLMs 性能","Galileo 引入了新指标和防护措施，评估模型输出的真实性","解决幻觉问题，确保 LLMs 输出准确和合规"]