多语言大模型幻觉评估：印度语言视角下的机制解析

本研究针对Phi-4、Qwen、LLaMA-2三种开源大语言模型，在印度五大主要语言（印地语、孟加拉语、泰卢固语、泰米尔语、马拉雅拉姆语）中的幻觉行为展开系统性评估，结合语义评估与机械可解释性技术，填补了现有研究在低资源语言幻觉评估领域的空白，为构建更公平可靠的多语言AI系统提供重要洞察。

大型语言模型（LLMs）的幻觉问题是制约其可靠应用的核心瓶颈，但现有研究主要聚焦英语等高资源语言，对印度低资源语言的幻觉评估严重不足。印度语言生态复杂（22+官方语言、多语言家族差异），不同语言在语法、词汇、文化语境上的差异可能导致模型幻觉模式不同，因此本研究构建了针对印度语言的多维度幻觉评估框架。

研究设计了涵盖语义相似度分析、漂移分数计算、实体一致性验证及机械可解释性探究的综合评估体系。语义评估采用TruthfulQA基准测试集（经NLLB-200翻译至目标语言）；机械可解释性通过注意力熵、自注意力比率、逐层置信度等指标揭示模型内部机制差异。

选取Phi-4（微软）、Qwen（阿里巴巴）、LLaMA-2（Meta）三种代表性开源模型；语言覆盖印度五大主要语言：印地语、孟加拉语、泰卢固语、泰米尔语、马拉雅拉姆语（分属印欧语系和达罗毗荼语系）。

1. 翻译噪声仅起次要作用，多语言幻觉主要由模型架构特性与语言家族影响共同导致；2. 不同模型处理同一语言的幻觉倾向差异显著，同一模型处理不同语言家族的表现存在系统性差异；3. 模型跨语言迁移事实知识时可靠性差异明显，部分语言实体识别与关系推理准确率较低。

项目提供完整开源实现，包括数据集预处理脚本、实验notebooks、核心算法源码及可视化图表；代码库模块化设计（data、notebooks、src、figures目录），便于复现与扩展；还撰写了IEEE格式学术论文阐述方法论与结果。

实践意义：提醒开发者重视低资源语言质量保障，提供的评估框架可扩展至更多语言和模型。未来方向：扩大语言覆盖至更多方言/少数民族语言、对比商业闭源模型、探索特定语言家族微调策略、开发多语言幻觉检测缓解机制。