继续看技术，看几个点。

关于RAG幻觉的内容，我们讲过很多，这次再回顾下，温故知新，看一个技术总结。

另一个是看看文生科学图【教材这种学科图】这块的点，对比下已有方案，有一些设计思路。

技术总是有趣的，从基本问题出发，多总结，多归纳，**多从底层实现分析逻辑，**会有收获。

一、RAG系统的6个幻觉问题及4个缓解阶段策略总结

来看RAG的的幻觉问题，其实RAG本身通过融合外部知识库提升事实依据，输出可信度与可解释性，但检索器与生成器的复杂交互引入新幻觉（如检索过时/无关信息导致误导）。

所以，针对这个问题，可以再搞了包含查询优化（T1）、参考识别（T2）、提示工程（T3）、响应修正（T4）的归因流水线，具体工作在《Attribution Techniques for Mitigating Hallucinated Information in RAG Systems: A Survey》(https://arxiv.org/pdf/2601.19927)，还定了个涵盖过度自信、过时性、不可验证性、指令偏离、上下文不一致、推理缺陷的6类RAG特有幻觉分类体系，是一个不错的索引，如下图所示：

我们总结性看幻觉类型体系以及对应的缓解策略

1、RAG系统的6个幻觉类型

RAG系统特有6类幻觉，核心区别在于定义与发生阶段，核心依据是幻觉源于检索器（证据质量问题）还是生成器（内容生成问题），具体分为如下几个：

一个是过度自信（生成器阶段，不确定信息绝对化）。缓解方案有包括T3（VUC添加模糊词）、T4（RLKF校准置信度、SelfCheckGPT多响应一致性校验）。

一个是过时性（检索器阶段，信息因时间失效）。缓解方案有包括T1（添加时间关键词）、T2（DPR评估时效性、WebGPT实时检索）

一个是不可验证性（检索器+生成器阶段，缺乏足够参考支持）。缓解方案有包括T2（REPLUG重排参考）、T4（Self-Refine补充证据、AGREE检测未验证内容）。

一个是指令偏离（检索器+生成器阶段，未遵循用户指令）。缓解方案有包括T1（MixAlign澄清模糊查询）、T2（Self-RAG语义对齐重排）、T3（UPRISE匹配提示模板）。

一个是上下文不一致（生成器阶段，与检索参考矛盾）。缓解方案有包括T3（RECITE引导引用参考）、T4（SourceCheckup语句级一致性校验）

一个是推理缺陷（生成器阶段，逻辑矛盾或推理链断裂）。缓解方案有包括T3（SubgraphRAG结构化推理提示）、T4（SearChain修正推理链）

2、缓解幻觉的四个模块T1至T4

4个模块按“检索前-检索后-生成前-生成后”流程，其中：

检索器导向（T1、T2） 聚焦生成前的证据质量优化，提升检索内容的相关性、时效性、可验证性；**生成器导向（T3、T4）**聚焦生成过程与结果的校准，规范生成逻辑、修正事实错误、校准置信度。

具体的：

预检索查询优化（T1）阶段，优化原始查询，提升检索相关性与时效性，将原始查询q优化为q’，提升检索相关性与时效性。

代表性的有SmartBook（添加时间关键词）、WebCPM（同义词替换/释义）

后检索参考识别（T2）阶段，筛选核心参考内容，解决不可验证性、过时性幻觉，从检索结果R’中筛选核心参考R_final。

代表方案有：DPR（稠密检索）、CoDA（优先时效性参考）、SELF-RAG（重排参考）

预生成提示工程（T3）阶段，构建结构化提示，引导生成器接地，缓解过度自信、推理缺陷等；

代表方案有VUC（添加模糊限制词）、UPRISE（动态选择提示模板）、SubgraphRAG（知识图谱结构化提示）

后生成响应修正（T4）阶段，校验并修正生成结果，修正上下文不一致、不可验证性等残留幻觉。

代表方案有：A_gen RLKF（奖励模型惩罚虚假自信）、Self-Refine（自我批判修正）、CoVe（验证链修正）

二、再看科研文生图方案及评估思路

接着看科研文生图方案及评估进展，讲的故事是现有AI画图（比如画物理受力图、化学分子结构）看着像那么回事，但经常犯科学错误，比如把三角形角度画错、分子键数不对，这就是“看着对、逻辑错”。

所以，就搞点故事，工作在《Scientific Image Synthesis: Benchmarking, Methodologies, and Downstream Utility》,https://SciGenbench.github.io,https://arxiv.org/pdf/2601.17027，做个比对实验，搞个数据，然后对比下。

具体看：

1、两种画图思路对比

一种是直接画像素（比如常见的AI画图工具） 【端到端将文本描述转换为像素图像，闭源：Nanobanana-Pro、GPT-Image-1.5、Flux2-flex，开源：HunyuanImage-3.0、Qwen-Image】，优点是画得好看逼真，缺点是容易出错；

另一种是先写代码再生成图（他们叫ImgCoder） 【理解（提取实体与关系）→规划（定义内容、布局、标签、约束）→编码（生成可执行代码），如ImgCoder（Qwen3-ImgCoder、Gemini3-Pro-ImgCoder等变体）】，比如用Python代码定义好坐标、角度再画图，优点是绝对精准，缺点是样式比较单一，不够生动；

2、建专门的“科学画图考试题库”（SciGenBench）

数据集上，包含数学、物理、化学、生物等5个学科，25种图（比如电路图、分子结构、几何图形），共1400道题，专门用来测试AI画的图“科不科学”，而不是只看“好不好看”；

然后，效果评估方面，使用Gemini3-Flash评分（0-2分），评5项指标：正确性与保真度、布局与精度、可读性与遮挡、科学合理性、表现力与丰富度【这是维度设计】

结论方面，用代码画图的ImgCoder在精准度上更高，比如画函数曲线不会错），直接画像素的AI在视觉效果上更优；

用这些画得又对又好的图去训练大模型【使用合成图像微调Qwen3-VL-8B-Instruct】，能让大模型做科学题（比如几何证明、物理计算）的能力变强【绝对提升3.7分】，数据越多效果越好。

。## 学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】