Hallucinate Less by Thinking More: Aspect-Based Causal Abstention for Large Language Models

文章核心总结与翻译

一、主要内容

文章针对大语言模型（LLMs）易产生幻觉（事实错误输出）的问题，提出基于方面的因果回避框架（ABCA） 。该框架通过生成前分析模型内部知识的多样性，提前判断是否应回避回答，而非依赖生成后的信号（如置信度、一致性），解决了现有方法难以主动预防幻觉的缺陷。

ABCA包含两个核心阶段：

1. 方面发现阶段：通过双智能体（发现智能体DAgent+批判智能体CAgent）对话，识别与查询相关的有效方面（如学科领域、文化背景、时间框架），确保方面满足维度一致性、时间优先性和事实接地性。
2. 方面解析阶段：采用增强逆概率加权（AIPW）估计各方面的因果效应，通过质心角偏差（CAD）分析判断知识状态，支持三种决策：1类回避（知识冲突）、2类回避（知识不足）、聚合回答（知识一致）。

实验在TruthfulQA、KUQ等四个基准数据集上验证，ABCA在回答准确率、回避可靠性和可解释性上均达到当前最优，且能平衡回答与回避的比例，减少不必要的回避。

二、创新点

1. 提出生成前回避机制：通过因果推理分析模型内部知识多样性，突破现有生成后检测方法的局限性，实现幻觉的主动预防。
2. 构建双智能体方面发现机制：通过对话生成有效、可解释的方面，为因果效应估计提供可靠基础，解决知识异质性被忽视的问题。
3. 设计<