摘要：大语言模型（Large Language Model, LLM）在自然语言处理领域取得了突破性进展，但其生成内容中的幻觉问题始终制约着模型的可信性与实际应用。本文系统梳理了大语言模型幻觉问题的研究现状，从数据层面、模型层面与解码层面三个维度深入剖析幻觉产生的内在机制，并对当前主流缓解方法进行了分类比较与实证评估。研究发现，训练数据中的噪声与分布偏差是幻觉产生的根源之一，模型参数化知识的不精确性与检索增强生成（Retrieval-Augmented Generation, RAG）的融合不充分则进一步加剧了这一问题。本文在此基础上提出了一种面向中文场景的混合式幻觉缓解框架，该框架将检索增强生成与事实一致性校验模块相结合，在三个公开数据集上的实验结果表明，该框架能够显著降低生成内容中的事实性错误率，同时保持模型的生成流畅性与多样性。本文的研究为大语言模型在高可靠性要求场景中的落地提供了理论参考与技术路径。
关键词：大语言模型；幻觉问题；检索增强生成；事实一致性；自然语言生成
