一句话结论
这篇论文没有再做一份「模型会不会胡说」的排行榜，它把后生成幻觉检测拆成三级可判分的任务——这条样本有没有幻觉、幻觉落在哪一段、正确写法是什么——并发布 4.2 万余条中英双语样本的基准 HaluCheck，其中一类场景是智能体执行轨迹而非纯文本。作者跑完 14 个模型后给出的结论很直接：样本级检出只是及格线，定位、纠正和智能体幻觉检测才是当下模型的短板。
论文信息：arXiv:2611.08231，作者 Hanyu Qiu、Ze Liu、Zhe Zhao、Kuang Xiong、Blaze Chen、Zhenxiang Yan、Renfen Hu，2026 年 11 月 5 日提交。
方法要点
核心思路是把「幻觉」这个笼统说法切成两个对象、三个层级。
两个对象。 一类是文本中被拧歪的事实：事实本身还在，但关键成分被细微改动，属于隐蔽的高风险错误；另一类是智能体轨迹里的忠实性幻觉：执行步骤偏离了给定事实或指令，轨迹看起来自洽，实际已经跑偏。这两类此前通常分属两个评测体系，HaluCheck 把它们放进同一个基准。
三个层级。 每条样本都带多级细粒度标注，支撑三种判分：
- 检出：整条样本是否含幻觉；
- 定位：幻觉出现在哪一段文本、轨迹的哪一步；
- 纠正：给出修正后的正确表述。
扰动强度分级。 同一事实按不同扰动程度生成样本，用来观察模型的敏感度曲线——改一个数字和改一个关系，难度并不相同。整个基准中英双语，共 4.2 万余条。
评测循环抽象成伪代码大致如下（这里按论文的任务划分抽象，具体指标名以原文表格为准）：
# HaluCheck 单条样本评测流程（抽象示意）
for sample in HaluCheck: # 4.2 万余条，中英双语
kind = sample.kind # 文本事实幻觉 | 智能体轨迹幻觉
level = sample.perturb_degree # 扰动强度分级
gold = sample.gold # 三级标注：有无 / 位置 / 正确表述
out1 = llm.detect(sample.input) # 1) 是否含幻觉
out2 = llm.localize(sample.input) # 2) 幻觉落在哪一段、哪一步
out3 = llm.correct(sample.input) # 3) 修正后的表述
score[kind][level]["detect"] += match(out1, gold.has_hallucination)
score[kind][level]["localize"] += overlap(out2, gold.spans)
score[kind][level]["correct"] += match(out3, gold.corrected)
# 按 kind × level × 任务层级 三维汇总，得到模型能力画像
关键在于这个三维汇总：只看「检出」一列，模型表现像模像样；把「定位」「纠正」「轨迹幻觉」几列并排放，能力落差才显出来。
关键数字
基准本身的规模与构成，是这篇论文最硬的产出：
| 维度 | 取值 |
|---|---|
| 样本总量 | 超过 4.2 万条 |
| 语言 | 中英双语 |
| 幻觉类型 | 2 类（文本事实幻觉、智能体轨迹幻觉） |
| 标注层级 | 3 级（检出、定位、纠正） |
| 被测模型 | 14 个 |
三类常见补救手段的效果，原文给出的都是定性判断：
| 干预手段 | 结果 | 是否解决问题 |
|---|---|---|
| 思考模式（延长推理） | 部分改善 | 否 |
| 联网搜索 | 部分改善 | 否 |
| 有监督微调 | 部分改善 | 否 |
需要说明一句：在可获取的全文页面上，摘要层没有给出 14 个模型逐项的分数与具体提升幅度，本文不代为填写。要做横向选型，请直接读论文正文的结果表，那里的数字才是可引用的。
局限与前提
评的是检测，不是生成。 HaluCheck 属于后生成检测基准：给一段已经产出的文本或轨迹，看模型能不能查错。它不衡量模型在生成时抑制幻觉的能力，两者不能互相替代。
语言覆盖只有中英。 双语是这个基准的卖点，也是边界；其他语种没有覆盖，跨语种迁移结论需要另行验证。
扰动分级是人工设计。 难度曲线由扰动程度的分级决定，分级标准是否稳定、标注者之间的一致性如何，直接影响「模型在弱扰动上掉多少分」这类结论的可信度。摘要层没有交代标注一致性数据，用它做严谨对比前应先确认。
轨迹幻觉的判定依赖前提。 判断一个智能体是否「跑偏」，前提是给定事实与指令本身足够明确。任务描述本身含糊时，判定会漂移，这类样本的分数噪声更大。
作者自认的不足。 思考模式、联网搜索、有监督微调各自只带来部分改善，没有一种手段单独解决问题。这意味着工程上不能指望开一个开关就把幻觉检测做上去，必须组合使用并接受残留错误。
能不能用
适合谁用。 做幻觉检测模块、做智能体轨迹审计、或者要给自己的模型加一道输出校验的团队，这个基准可以直接当评测集：4.2 万余条、中英双语、三级标注，省掉自建标注的人力。
代码与权重。 论文页面提供 PDF、HTML（实验版）与 TeX 源码，并附许可证链接。但信息源中没有列出具体代码仓库地址与权重分发方式，论文页面上虽有代码、数据、模型这类关联链接区，内容需自行核实。落地前第一步是确认：数据是否公开下载、许可证是否允许商用、有没有官方评测脚本。别默认宽松许可。
复现成本。 这是多模型推理型评测，不是训练型，主要开销在推理：14 个模型 × 4.2 万余条 × 三级任务，等于几十次全量推理。务实做法是先按幻觉类型与扰动等级分层抽样，跑通评估脚本、对齐指标口径，再决定是否全量。
# 第一步：取全文核对结果表数字与许可证
wget https://arxiv.org/pdf/2611.08231v1 -O halucheck.pdf
# 或者直接读 HTML 版，方便复制表格
curl -L https://ar5iv.labs.arxiv.org/html/2611.08231 | less
结论。 如果你的需求是「模型输出上线前查一遍」，HaluCheck 的价值在于它把「查出问题」和「指出问题在哪、怎么改」分开打分，能提前暴露你那条流水线到底停在哪一级。如果需求是提升生成质量本身，这个基准帮不上忙——它只负责量尺子。