TRE：面向扩散语言模型的免训练幻觉检测

扩散大语言模型（D-LLM）近来受到日益关注，但其可靠性因幻觉问题而显著受限。现有针对D-LLM的幻觉检测方法主要遵循基于训练的范式，依赖数据驱动训练来优化检测器。这种依赖不仅限制了其在不同领域与模型间的泛化性，还带来额外的训练成本与部署开销。为解决这些局限，我们提出TRE，一个面向D-LLM的免训练幻觉检测指标。TRE是一个无参数、单次运行的指标，直接从单次生成的熵信号估计幻觉风险，无需任何检测器训练或重复采样。TRE在D-LLM解码过程中沿空间与时间两个维度提取熵信号。从token级空间视角出发，我们着重揭示哪些token是最具信息量的不确定性载体，捕捉不确定性被实际提交的位置。从扩散步级时间视角出发，我们通过经验分析确定后期步熵占主导，进而用简单的线性加权方案聚合这些信号得到TRE。在多个D-LLM与问答数据集上的大量实验表明，TRE取得了有竞争力的性能，同时具备强泛化性、高效率与鲁棒性。