Qwen3-Omni-30B-A3B-Captioner是基于Qwen3-Omni-30B-A3B-Instruct微调得到的细粒度音频分析模型，专门为任意音频输入生成详细且低幻觉的描述，在复杂多样的音频场景中表现出色。

音频处理Transformers英语

这是一个基于Helsinki-NLP的opus-mt-mul-en模型进行微调的斯瓦希里语-英语翻译模型。该模型专门针对儿童热线服务场景进行了优化训练，采用合成的热线对话数据进行训练，具备防止生成幻觉的机制，并通过早停策略监控BLEU分数来保证翻译质量。

自然语言处理Tensorboard支持多种语言

Qwen3-Next-80B-A3B-Instruct-q2-mlx是基于Qwen3-Next-80B-A3B-Instruct模型转换的MLX格式极端量化版本，主要用于文本生成任务。该版本采用q2量化，模型大小约为23GB，作为概念验证版本，可能存在重复和幻觉问题。

自然语言处理Mlx

M-Hood 是一系列专门设计用于缓解目标检测中幻觉现象的模型，通过新颖的微调策略和修正的基准数据集，显著减少分布外数据上的误报，提升目标检测系统的安全性和可靠性。

计算机视觉Pytorch

DeepSeek-R1-0528是深度求索公司推出的升级版大语言模型，在推理能力、减少幻觉率等方面有显著提升，整体性能接近领先模型。

自然语言处理Transformers

基于DeepSeek-R1-0528-Qwen3-8B开发的量化版本模型，在推理能力、减少幻觉率等方面有显著提升，适用于多种自然语言处理任务。

自然语言处理Transformers

Humains-Junior是由Humains.com基于微软Phi-3.5-mini-instruct模型训练的AI助手，专门针对客户服务场景优化。该模型使用3亿个标记进行微调，具备严格的指令遵循能力、减少幻觉现象和强大的功能调用能力，并实现了身份感知。

自然语言处理Transformers英语

该模型用于检测语言模型输出中的幻觉现象，即响应连贯但事实错误或脱离上下文的情况。

自然语言处理Transformers

基于Llama-3.2-3B-Instruct微调的声明验证模型，专门用于检测AI生成文本中的幻觉或未支持的陈述。

自然语言处理Safetensors英语

Vintern-3B-R-beta是一个多模态大语言模型，专注于基于图像的复杂推理任务，能分解推理步骤并有效控制幻觉现象。

多模态Transformers支持多种语言

Gen-8B-R2是一个专注于减少RAG系统中幻觉问题的生成模型，特别适用于处理检索噪声和信息过载的情况。

自然语言处理Transformers英语

该模型专门为SemEval 2025 Task3: Mu-SHROOM竞赛任务微调，用于识别大语言模型输出中的幻觉文本片段。

自然语言处理Transformers

FactCG是一个基于DeBERTa-v3-large架构的文本分类模型，专门用于检测大型语言模型生成内容中的无依据幻觉。

自然语言处理Safetensors英语

LettuceDetect 是一个基于 ModernBERT 的幻觉检测模型，专为 RAG 应用设计，支持长上下文处理。

自然语言处理Transformers英语

LettuceDetect 是一个基于 ModernBERT 的幻觉检测模型，专为 RAG 应用设计，能够识别答案中未被上下文支持的词元。

自然语言处理Transformers英语

SeaLLMs-v3是面向东南亚语言的大语言模型系列的最新成果，在同规模模型中表现卓越，能有效处理多种东南亚语言任务，提供安全可靠的响应。该模型经过特别优化，减少了幻觉现象，并对当地语境具有敏感性。

自然语言处理Transformers支持多种语言

SeaLLMs-v3是面向东南亚语言的大语言模型系列的最新版本，在同类规模模型中取得最先进的性能，在世界知识、数学推理、翻译和指令遵循等任务中表现出色，特别优化了可靠性和安全性，减少幻觉现象。

自然语言处理Transformers支持多种语言

基于PaliGemma-3b模型在DocCI数据集上微调的图像描述生成模型，能生成200-350字符的详细描述文本，减少幻觉现象

多模态Transformers英语

基于microsoft/Phi-3-mini-128k-instruct优化的模型，专注于提升上下文遵循能力和减少幻觉现象，适用于RAG应用场景。

自然语言处理Transformers

该模型使用韩国教材数据集tiny-textbooks进行训练，性能表现欠佳且存在严重幻觉现象

自然语言处理Transformers韩语