新框架Grounding Optimization：五层防御有效降低简历优化中的LLM幻觉

随着大语言模型（LLM）越来越多地应用于简历优化以适应招聘系统，研究人员发现这类任务中存在独特的幻觉问题：包括时代错乱的技术术语注入、跨领域术语污染、结构突变和内容捏造等。针对这些问题，研究团队提出了Grounded Optimization框架，该框架包含五个防御层：时间上下文验证、确定性污染检测、结构不变性强制执行、提示级基础化以及评估代理。

在实验中，研究人员使用三个不同LLM模型、四种温度设置和六种层配置，对涵盖14个行业的25份合成简历进行了测试。未加防御的基线模型平均每份简历产生2.48-5.36个检测到的幻觉。采用新框架后，时间相关的幻觉在所有条件下减少了50-95%，总体检测到的幻觉率降至0.04-0.24。研究还发现，在低温设置下，仅使用提示级基础化配合遵循指令能力强的模型即可实现零检测幻觉；而在高温设置或使用较弱模型时，则需要确定性防御层作为补充。团队已公开污染分类法、评估代码和原始数据。