Ferramentas de Detecção de Alucinação de IA: W&B Weave & Comet

Avaliamos três ferramentas de detecção de alucinação: Weights & Biases (W&B) Weave HallucinationFree Scorer, Arize Phoenix HallucinationEvaluator e Comet Opik Hallucination Metric, em 100 casos de teste.

Cada ferramenta foi avaliada quanto à precisão, exatidão, recall e latência para fornecer uma comparação justa de seu desempenho no mundo real.

Benchmark de ferramentas de detecção de alucinação de IA

Testamos 100 respostas (50 corretas, 50 alucinadas) de cenários de Q&A factuais contra seu contexto de origem.

Comparação de precisão e latência

W&B Weave e Arize Phoenix entregaram precisão quase idêntica de 91% e 90%, respectivamente, identificando corretamente 90 dos 100 casos de teste. Ambas as ferramentas demonstraram desempenho confiável em todo o conjunto de dados. Comet Opik ficou atrás com 72% de precisão, classificando corretamente apenas 72 dos 100 testes, uma lacuna significativa impulsionada por sua abordagem conservadora.

Em termos de velocidade, Arize Phoenix foi o vencedor com 2 segundos por teste, tornando-o adequado para aplicações em tempo real. W&B Weave processou testes em 4 segundos, o que é razoável para a maioria dos casos de uso de produção. Comet Opik foi notavelmente mais lento com 8,5 segundos por teste, sugerindo tempos de processamento inconsistentes que poderiam impactar a experiência do usuário em aplicações sensíveis à latência.

F1 score, precisão e recall

Os F1 scores (média harmônica de precisão e recall) confirmaram esses padrões: W&B Weave em 90,5% e Phoenix em 89,4% ambos alcançaram desempenho forte e equilibrado. Em comparação, o 61,1% do Opik refletiu o compromisso entre precisão perfeita e recall fraco. Os falsos positivos zero do Opik vieram ao custo de 28 falsos negativos, tornando-o adequado apenas para cenários onde falsos alarmes são mais custosos do que detecções perdidas.

Recall (capacidade de pegar alucinações reais) revelou estratégias distintas. W&B Weave liderou com 86% de recall, pegando 43 das 50 alucinações e perdendo apenas 7. Phoenix seguiu de perto com 84%, detectando 42 alucinações e perdendo 8. O recall do Comet Opik foi substancialmente menor em 44%, pegando apenas 22 alucinações enquanto perdia 28; mais da metade de todas as alucinações reais passaram despercebidas.

Precisão (confiabilidade do alerta) mostrou variação significativa. Comet Opik alcançou precisão perfeita de 100% com zero falsos positivos; quando sinalizava algo como alucinação, estava sempre correto. Tanto Phoenix (95,5%) quanto Weave (95,6%) mostraram precisão quase idêntica, cada um produzindo apenas 2 falsos positivos de 50 respostas legítimas, demonstrando forte confiabilidade sem ser excessivamente conservador.

Fatores que podem afetar as diferenças de desempenho

As diferenças de desempenho observadas são possivelmente impulsionadas pela filosofia de design, seleção de limiar e interpretação da fundamentação.

Diferenças na estratégia de detecção e objetivos de otimização

• As ferramentas parecem ser otimizadas para diferentes compensações de erro em vez do mesmo objetivo.
• W&B Weave e Arize Phoenix visam desempenho equilibrado, mantendo alta precisão enquanto ainda capturam a maioria das alucinações.
• Comet Opik adota uma estratégia altamente conservadora, priorizando zero falsos positivos mesmo que muitas alucinações sejam perdidas.
• Essa escolha estratégica explica diretamente a precisão perfeita do Opik e o recall substancialmente menor.

Compensações de precisão-recall incorporadas no design da ferramenta

• Os falsos positivos zero do Comet Opik indicam um limiar de decisão estrito, sinalizando alucinações apenas quando a confiança é muito alta.
• W&B Weave e Phoenix usam limiares menos restritivos, permitindo alguns falsos positivos em troca de um recall muito maior.
• Essas diferenças de limiar podem levar a:
  • Precisão semelhante entre Weave e Phoenix
  • Grandes lacunas de recall entre Opik e as outras duas ferramentas
  • Diferenças correspondentes no F1 score e precisão geral

Variações na implementação de LLM-as-a-judge

• Embora as três ferramentas usem uma abordagem de LLM-as-a-judge, suas implementações diferem.
• W&B Weave enfatiza o raciocínio de cadeia de pensamento, o que pode melhorar a sensibilidade a alegações sutis sem suporte.
• Arize Phoenix incorpora saídas baseadas em rótulos com pontuações de confiança, apoiando julgamentos mais nuances.
• Comet Opik foca em decisões binárias de alta confiança, o que reduz falsos alarmes, mas limita a sensibilidade a alucinações limítrofes.

Diferenças de latência impulsionadas pela profundidade de avaliação

• A latência mais baixa do Arize Phoenix sugere um pipeline de avaliação mais leve ou simplificado, adequado para uso em tempo real.
• A latência moderada do W&B Weave é consistente com raciocínio mais rico e registro de rastreamento.
• A latência mais alta e menos consistente do Comet Opik provavelmente reflete raciocínio interno mais extenso ou etapas de verificação, reforçando seu design conservador.

Ferramentas de detecção de alucinação de IA

HallucinationFree Scorer do W&B Weave

Figura 1: Painel de rastreamentos do W&B Weave.

Weights & Biases (W&B) Weave's HallucinationFree Scorer é uma ferramenta de avaliação integrada que verifica se as saídas do LLM contêm alucinações comparando-as com o contexto fornecido. O scorer usa uma abordagem de LLM-as-a-judge para determinar se a resposta gerada permanece fundamentada no material de origem.

O scorer recebe duas entradas: o contexto (material de origem) e a saída (resposta gerada pelo LLM). Em seguida, usa um modelo de linguagem para analisar se a saída introduz informações não presentes no contexto. O resultado inclui uma flag booleana has_hallucination e um raciocínio explicando a decisão.

Principais recursos:

• Raciocínio de cadeia de pensamento: Cada avaliação inclui uma explicação do motivo pelo qual a saída foi sinalizada como alucinação ou não.
• Classificação binária: Retorna decisões claras verdadeiro/falso com evidências de suporte.
• Integração com rastreamento Weave: Os resultados são registrados automaticamente no painel Weave para visualização.
• Modelo personalizável: Suporta diferentes juízes LLM, incluindo OpenAI, Anthropic e outros provedores.

HallucinationEvaluator do Arize Phoenix

O HallucinationEvaluator do Arize Phoenix é uma métrica integrada que detecta alucinações nas saídas do LLM verificando se as respostas estão fundamentadas no material de referência fornecido. O avaliador usa uma abordagem de LLM-as-a-judge para avaliar a consistência factual entre o contexto e o conteúdo gerado.

O avaliador recebe três entradas: a consulta do usuário (entrada), o texto de referência (contexto) e a resposta do modelo (saída). Ele analisa se a resposta contém informações que não podem ser derivadas do contexto, retornando um resultado rotulado ("factual" ou "alucinado") junto com uma explicação e pontuação de confiança.

Principais recursos:

• Desempenho equilibrado: Fornece resultados em ambas as métricas de precisão e recall
• Saída baseada em rótulos: Retorna rótulos categóricos ("factual" ou "alucinado") em vez de apenas pontuações numéricas
• Explicações detalhadas: Fornece raciocínio para cada decisão de avaliação

Hallucination Metric do Comet Opik

A Hallucination Metric do Comet Opik é um avaliador integrado que avalia se as saídas do LLM contêm informações fabricadas ou sem suporte. A métrica usa uma metodologia de LLM-as-a-judge para verificar se as respostas geradas permanecem fiéis ao contexto fornecido.

A métrica aceita três entradas: a consulta do usuário (entrada), o material de origem (contexto) e a resposta do modelo (saída). Ela avalia se a saída introduz alegações não suportadas pelo contexto.

O resultado inclui uma pontuação binária (0 para nenhuma alucinação, 1 para alucinação detectada) e um raciocínio detalhado explicando a avaliação.

Principais recursos:

• Explicações detalhadas: Cada avaliação fornece um raciocínio abrangente sobre o motivo pelo qual o conteúdo foi sinalizado ou aprovado
• Análise de três entradas: Considera a consulta, o contexto e a resposta juntos para avaliação
• Rastreamento de experimentos: Os resultados são registrados automaticamente no sistema de rastreamento de experimentos do Opik
• Abordagem conservadora: Projetado para minimizar falsos positivos sinalizando apenas alucinações de alta confiança

O que é alucinação de IA?

Alucinações são instâncias em que sistemas de IA geram conteúdo que parece coerente, mas não é factual. Na pesquisa de modelos de linguagem grandes, as alucinações são enquadradas como um desafio fundamental porque a IA generativa muitas vezes responde com confiança mesmo quando os dados de treinamento subjacentes não suportam a alegação. Uma pesquisa sobre alucinações de IA observa que elas surgem quando os modelos dependem de priores linguísticos em vez de verdade fundamental verificável do contexto fornecido.¹

Fontes da indústria destacam como as alucinações de IA ocorrem em domínios como aplicações de saúde, serviços jurídicos, pesquisa empresarial e suporte ao cliente. Em tais configurações, as alucinações minam a confiança do usuário, principalmente quando decisões de alto risco dependem de saídas corretas de IA.

Reconhecer e detectar alucinações tornou-se, portanto, central para o desenvolvimento moderno de IA, tanto para proteger os usuários finais quanto para garantir a implantação segura de aplicações de IA que dependem de LLMs.

Fontes e taxonomia de alucinações

As alucinações podem surgir de comportamentos internos do modelo, como excesso de confiança em padrões estatísticos, lacunas nos dados de treinamento e a natureza probabilística da geração de sequências.

De acordo com um artigo sobre detecção e mitigação de alucinações, os LLMs podem produzir imprecisões factuais mesmo quando parecem confiantes, porque continhações prováveis são inferidas em vez de evidências verificáveis.²

Outras alucinações surgem de falhas contextuais, incluindo falhas de recuperação na geração aumentada por recuperação (RAG systems), prompts ambíguos ou fundamentação incompleta. Também é sugerido que modelos multimodais exibem alucinações através de confusões de objetos, inconsistências temporais ou detalhes de cena inventados.

Detecção de alucinação em fluxos de trabalho agênticos

Fluxos de trabalho de agentes de várias etapas introduzem riscos únicos de alucinação que diferem das interações de LLM de turno único. Quando um agente opera autonomamente em várias etapas, uma alucinação em uma fase inicial pode se propagar por decisões subsequentes, chamadas de ferramentas e saídas.

Principais desafios na detecção de alucinação agêntica:

• Propagação de erro: Um fato fabricado na fase de planejamento pode influenciar a seleção de ferramentas, recuperação de dados e respostas finais
• Alucinações de chamada de ferramenta: Agentes podem invocar ferramentas com parâmetros incorretos ou interpretar mal as saídas da ferramenta
• Corrupção de estado: Informações alucinadas armazenadas na memória do agente afetam etapas futuras de raciocínio
• Complexidade de atribuição: Identificar qual etapa introduziu a alucinação requer rastreamento de ponta a ponta

Abordagens de detecção para sistemas agênticos:

• Verificação em nível de etapa: Validando cada saída intermediária antes que o agente prossiga para a próxima ação
• Validação de saída da ferramenta: Verificando as respostas da ferramenta contra formatos esperados e restrições conhecidas
• Análise de trajetória: Revisando a sequência completa de decisões do agente para identificar onde o raciocínio divergiu de informações fundamentadas
• Verificações de consistência entre etapas: Comparando alegações feitas em diferentes estágios para detectar contradições

O HallucinationFree Scorer do W&B Weave e o HallucinationEvaluator do Arize Phoenix podem ser aplicados em cada etapa do agente, enquanto seus painéis integrados exibem o rastreamento de execução completo para análise de causa raiz.

Prevenção de alucinação em tempo real

Detectar alucinações após a geração fornece insights valiosos, mas não impede que saídas problemáticas cheguem aos usuários. Sistemas de prevenção em tempo real intervêm antes que a resposta seja entregue.

Mecanismos de prevenção:

• Guardrails de saída: Filtros que analisam o conteúdo gerado contra critérios de factualidade antes de retorná-lo ao usuário.
• Limiares de confiança: Bloqueando ou sinalizando respostas quando a confiança interna do modelo cai abaixo de níveis aceitáveis.
• Portões de validação de recuperação: Verificando se as alegações geradas são suportadas por documentos recuperados antes de finalizar a resposta.
• Estratégias de fallback: Retornando uma resposta padrão segura ou escalando para filas de revisão quando o risco de alucinação é alto.

Capacidades de ferramentas para prevenção em tempo real:

• W&B Weave integra pontuação de alucinação em pipelines de produção, permitindo verificações automatizadas antes que as respostas sejam servidas.
• Arize Phoenix fornece monitoramento em tempo real com capacidades de alerta que sinalizam saídas de alto risco para revisão imediata.
• Comet Opik oferece rastreamento de experimentos com avaliação automatizada, permitindo que as equipes definam portões de qualidade que bloqueiem respostas que excedam os limiares de alucinação.

Abordagens para detecção de alucinação

Há seis abordagens principais usadas para detectar alucinações:

1. Métodos baseados em consistência

Métodos baseados em consistência avaliam uma resposta comparando-a a várias gerações alternativas.
Uma abordagem amostra várias respostas e as compara usando medidas de similaridade semântica, sobreposição de n-gramas ou verificação de pergunta-resposta.

Quando as respostas se contradizem ou contêm inconsistências lógicas, a probabilidade de alucinação aumenta.

Outra técnica usa entropia semântica, que agrupa respostas por significado em vez de formulação. Este método estima incerteza no nível conceitual. Alta entropia indica conhecimento instável, tornando esta uma das ferramentas de detecção de alucinação de IA mais eficazes para identificar confabulações.

Recomendações da indústria seguem padrões semelhantes:

• Gere várias respostas internas e sinalize inconsistências.
• Alerte revisores humanos quando a confiança variar entre várias métricas.
• Use alertas em tempo real quando a variabilidade da resposta indicar incerteza.

Sistemas baseados em consistência são especialmente valiosos quando as organizações devem pegar alucinações cedo em aplicações voltadas para o usuário.

2. Detecção baseada em probabilidade e confiança

Muitos sistemas analisam a crença interna do modelo sobre sua própria saída. Probabilidades em nível de token, valores de entropia, curvas de calibração e estimativas de confiança baseadas em margem são comumente usadas. Segmentos de baixa confiança frequentemente correlacionam com taxas de alucinação mais altas.

Embora a entropia bruta possa ser enganosa devido à formulação variável, sinais de confiança permanecem úteis, particularmente quando combinados com indicadores baseados em consistência. Esses valores também suportam detecção de alucinação em tempo real, onde as respostas de IA são monitoradas continuamente.

Muitas ferramentas expõem essas pontuações através de plugins que:

• Sinalizam respostas geradas por IA incertas
• Priorizam revisão de especialistas
• Suportam monitoramento em tempo real de desvio de confiança em produção

3. Detecção baseada em referência ou contexto

A avaliação baseada em referência compara a saída do modelo com o contexto fornecido ou fontes externas, o que é essencial para RAG systems. Técnicas típicas incluem:

• Modelos de implicação que verificam se documentos recuperados suportam a resposta.
• Métodos de alinhamento e fundamentação que validam o suporte de evidências.
• Métricas de factualidade que medem se as alegações correspondem ao texto de suporte.

Nota: A geração aumentada por recuperação deve verificar a fundamentação. Problemas como evidências ausentes, recuperação pobre fora do domínio e fontes desatualizadas ou incorretas são frequentemente causas raiz de respostas sem suporte. Esses métodos suportam diretamente a precisão factual garantindo que as alegações estejam vinculadas a dados verificáveis.

4. Verificação aumentada por recuperação

A verificação aumentada por recuperação enfatiza a verificação dinâmica. Cada alegação gerada é avaliada contra um índice de pesquisa, um armazenamento de vetores ou uma base de conhecimento estruturada, como um grafo de conhecimento. Se uma alegação carece de evidências de suporte, o sistema pode:

• Rejeitá-la
• Revisá-la
• Regenerá-la com fundamentação explícita

Sistemas mais avançados estendem isso ao rastreamento em nível de fluxo de trabalho, identificando a etapa exata em que uma alegação sem suporte aparece pela primeira vez. Isso permite que as organizações acompanhem as taxas de alucinação, identifiquem padrões de alucinação e mantenham transparência em fluxos de raciocínio de várias etapas.

5. Métodos baseados em regras e restritos por domínio

Métodos baseados em regras impõem restrições específicas do domínio e incluem:

• Validadores de citação jurídica
• Guardas de terminologia médica
• Verificações baseadas em padrões para números ou datas inventados

Tais restrições reduzem alucinações em indústrias regulamentadas e melhoram a confiabilidade para casos de uso especializados. Recomenda-se que esses sinais baseados em regras sejam combinados com julgamento humano, especialmente em decisões de alto risco onde o risco de informações incorretas não pode ser tolerado.

6. Detecção de alucinação multimodal

Alucinações também são observadas além do texto. Exemplos incluem:

• Alucinação de objeto em legendas de imagem.
• Descrições de eventos incorretas no vídeo.
• Atributos falsos em anotações de áudio.

A detecção multimodal frequentemente usa verificações de consistência cross-modal, fundamentação visual e conjuntos de dados como POPE, MHalDetect e FactVC. Esses métodos são cada vez mais relevantes à medida que as organizações experimentam agentes de IA multimodais.

Veja mais dos nossos benchmarks e insights baseados em dados na Pesquisa Google.

Adicionar como fonte preferencial

Técnicas e algoritmos de detecção de alucinação de IA

Detecção em nível de token

Métodos em nível de token localizam os locais exatos onde as alucinações surgem. Exemplos incluem:

• Conjuntos de dados que rotulam tokens alucinados usando anotação humana e perturbação contextual, permitindo que modelos de classificação marquem intervalos incorretos.
• Comparações baseadas em probabilidade que analisam a divergência entre probabilidades de token anteriores e posteriores dado o contexto fornecido.
• Abordagens de rotulagem de sequência que sinalizam intervalos suspeitos.

Essas técnicas suportam inspeção detalhada de saídas de IA, o que é útil para aplicações envolvendo criação de conteúdo de longo formato.

Detecção em nível de frase

Métodos em nível de frase avaliam a veracidade de declarações inteiras. Exemplos incluem:

• Verificações de autoconsistência baseadas em amostragem, onde frases são comparadas em várias gerações para detectar instabilidade.
• A entropia semântica é usada para identificar incerteza conceitual sem exigir dados rotulados.
• Classificadores baseados em implicação que detectam alegações sem suporte ou contraditórias.

Essas abordagens são comuns em ferramentas de detecção de alucinação que determinam se uma resposta gerada deve ser aceita, revisada ou reverificada.

Detecção em nível de fluxo de trabalho

A detecção em nível de fluxo de trabalho monitora pipelines de várias etapas onde as alucinações podem surgir gradualmente. Mecanismos comuns incluem:

• Grafos de proveniência
• Verificações de implicação em nível de etapa
• Validação de raciocínio intermediário
• Rastreamento de dependência para tarefas de vários saltos

Esses sistemas ajudam as organizações a manter monitoramento contínuo, garantir melhoria contínua e implementar detecção em tempo real em cadeias de raciocínio complexas.

Detecção de alucinação para geração aumentada por recuperação

A geração aumentada por recuperação combina LLM raciocínio com documentos externos. Muitas alucinações originam-se neste cenário porque o modelo pode inventar informações quando a recuperação é fraca ou ambígua.

Desafios para geração aumentada

• Documentos recuperados ausentes ou irrelevantes
• Excesso de confiança em priores internos do modelo
• Misinterpretação de contexto
• Fontes desatualizadas ou de baixa qualidade

Esses problemas são frequentemente identificados como causas raiz de respostas sem suporte.

Métodos usados na detecção de alucinação RAG

A detecção eficaz em ambientes RAG usa vários mecanismos:

• Modelos de implicação contexto-resposta que verificam conexões lógicas entre texto recuperado e respostas geradas.
• Verificações de classificação e similaridade para garantir que as respostas dependam de evidências relevantes.
• Ciclos de verificação iterativa que refinam respostas quando as evidências são insuficientes.
• Técnicas de fundamentação que mapeiam cada alegação para uma passagem ou nó de grafo de conhecimento.

As equipes frequentemente dependem de monitoramento em tempo real para detectar desvio de recuperação, monitorar padrões de alucinação e garantir que as respostas permaneçam vinculadas ao contexto fornecido.

Detecção de alucinação multimodal

A detecção multimodal ganhou importância à medida que mais modelos de IA incorporam imagens, vídeo e áudio. Vários mecanismos são usados:

• Modelos que verificam a presença ou ausência de objetos em imagens.
• Sistemas que verificam se as legendas de vídeo correspondem às ações representadas.
• Avaliações de legendas de áudio que validam o alinhamento com a fonte de som.

Conjuntos de dados como POPE, MHalDetect e FactVC suportam avaliações de alinhamento factual em contextos multimodais. Esses métodos fortalecem a supervisão quando os agentes de IA operam em vários tipos de entrada.

Padrões industriais e melhores práticas

Organizações que adotam as melhores práticas abaixo geralmente veem as taxas de alucinação caírem à medida que a recuperação melhora, os prompts se tornam melhor estruturados e dados mais precisos são incorporados:

• Combinando métodos como verificações de consistência, pontuação de probabilidade e validação de implicação.
• Integrando painéis de monitoramento em tempo real para acompanhar o comportamento do sistema ao longo do tempo.
• Melhorando prompts e verificando a resposta inicial por meio de engenharia de prompts.
• Usando revisão de especialistas quando a geração de conteúdo tem implicações legais, médicas ou financeiras.
• Executando verificações automatizadas em sistemas CI/CD para manter a qualidade durante o desenvolvimento de IA.
• Implantando plugins de monitoramento agêntico projetados para observar agentes de IA e detectar anomalias.

Direções futuras de pesquisa

Várias áreas devem guiar a próxima etapa de progresso:

1. Estimativa de incerteza em nível de significado

A avaliação em nível semântico está ganhando atenção porque detecta instabilidade conceitual de forma mais confiável do que a probabilidade em nível de superfície. Métodos futuros podem incorporar o seguinte para melhorar a sensibilidade da detecção de alucinação:

• Informação mútua.
• Acordo cross-modelo.
• Variância semântica em nível de cluster

2. Supervisão escalável via raciocínio comparativo

Abordagens multiagente, como debate de modelos ou interrogatório cruzado, podem ajudar a detectar falhas sutis que modelos únicos ignoram.

3. Estruturas multimodais unificadas

À medida que os modelos multimodais crescem em uso, são necessárias abordagens de detecção unificadas para lidar com alucinações em imagens, áudio e vídeo.

4. Detecção consciente de fluxo de trabalho

O rastreamento em nível de sistema permite a identificação de etapas intermediárias incorretas e suporta melhoria contínua dentro de pipelines maiores.

5. Conjuntos de dados de avaliação mais fortes

São necessários conjuntos de dados mais desafiadores para raciocínio de várias etapas, tarefas adversariais e cenários de longo contexto, permitindo que os sistemas falhem menos frequentemente por meio de reconhecimento simples de padrões.

Metodologia do benchmark

O benchmark usou um conjunto de dados controlado de 50 itens de conhecimento extraídos de cenários de perguntas e respostas factuais. Cada item incluía um contexto de origem, uma pergunta, uma resposta correta fundamentada nesse contexto e uma resposta alucinada que continha informações fabricadas. Por exemplo, um teste perguntou sobre a localização da sede do The Oberoi Group, onde a resposta correta "Delhi" foi testada contra a resposta alucinada "Mumbai".

Cada item de conhecimento gerou dois casos de teste: um usando a resposta correta (esperado: nenhuma alucinação) e um usando a resposta alucinada (esperado: alucinação detectada). Isso criou uma divisão equilibrada de 50/50 totalizando 100 casos de teste. Todas as três ferramentas processaram os mesmos casos de teste sequencialmente, com cada uma recebendo entradas idênticas (contexto, pergunta e saída).

Medimos a latência para cada caso de teste individualmente para garantir uma comparação justa, evitando as armadilhas do processamento paralelo ou avaliação em lote que poderiam distorcer os resultados. As etiquetas de verdade fundamental foram verificadas manualmente para garantir precisão no cálculo de verdadeiros positivos, falsos positivos, verdadeiros negativos e falsos negativos.

Cite esta pesquisa

Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.

@misc{ermut2026,
  author = {Ermut, Sıla and Şipi, Nazlı},
  title  = {{Ferramentas de Detecção de Alucinação de IA: W&B Weave & Comet}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/ai-hallucination-detection}},
  note   = {AIMultiple. Acessado em 18 Junho 2026}
}

Links de referência

1.

Luna-2 | Galileo’s Small Language Models for AI Evaluations

2.

https://github.com/confident-ai/deepeval

Sıla Ermut

Analista do setor

Siga-nos

Sıla Ermut é analista de mercado na AIMultiple, com foco em marketing por e-mail e vídeos de vendas. Anteriormente, trabalhou como recrutadora em empresas de gestão de projetos e consultoria. Sıla possui mestrado em Psicologia Social e bacharelado em Relações Internacionais.

Ver perfil completo

Pesquisado por

Nazlı Şipi

Pesquisador de IA

Siga-nos

Nazlı é analista de dados na AIMultiple. Ela possui experiência prévia em análise de dados em diversos setores, onde trabalhou na transformação de conjuntos de dados complexos em insights acionáveis.

Ver perfil completo

Seja o primeiro a comentar

Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu idioma original.

Nome

Endereço de email

Comentário

0/450

Postar comentário