https://techllm.github.io/tags/hallucination/Recent content in Hallucination on TechLLMHugokoTue, 13 Oct 2026 07:33:05 +0900https://techllm.github.io/posts/large-language-models-llms-for-telecom-root-cause-analysis-rca-a-struc/Tue, 13 Oct 2026 07:33:05 +0900https://techllm.github.io/posts/large-language-models-llms-for-telecom-root-cause-analysis-rca-a-struc/5G/6G 통신망의 Root Cause Analysis(RCA)에 LLM을 직접 적용할 때 생기는 환각, 불안정한 추론, 구조화된 망 증거와의 불일치를 줄이기 위해 SEKA-FT를 제안한다. 이 방법은 이종 텔레메트리를 canonical context로 정리하고, 중간 진단 체크를 거치는 decision-path reasoning과 evidence-grounded explanation을 하나의 fine-tuning target으로 학습한다.https://techllm.github.io/posts/automatic-model-card-generation-using-an-llm/Thu, 27 Aug 2026 07:39:27 +0900https://techllm.github.io/posts/automatic-model-card-generation-using-an-llm/MCTidy와 MCGenie 두 LLM 기반 시스템을 제안해 모델 카드를 Mitchell et al. 표준 템플릿으로 재구성하거나 저장소 파일·논문만으로 새로 생성한다. 48개 허깅페이스 베이스 모델 카드 평가에서 MCTidy는 중앙값 93.8% 정보 유지율, 98.1% 섹션 배치 정확도, 3회 실행 0.97 의미 일치율을 보였고, MCGenie는 생성 카드가 원본과 평균/중앙 0.9 코사인 유사도를 기록하고 48개 중 26개(54.17%)에서 환각·오류가 없는 완전 정확한 카드를 생성했다.https://techllm.github.io/posts/anthropic-tracing-thoughts-language-model/Thu, 30 Apr 2026 16:35:00 +0900https://techllm.github.io/posts/anthropic-tracing-thoughts-language-model/Anthropic의 회로 추적 연구를 바탕으로 Claude가 언어를 넘나들고, 미리 계획하고, 때로는 그럴듯한 가짜 추론을 만드는 방식을 핵심만 정리한다.