通过特定背景知识增强法学硕士，以减少中小企业中的错误信息：基于 RAG 的建模和分析

摘要

arXiv:2608.00006v1 Announce Type: new Abstract: Large Language Models (LLMs), a part of artificial intelligence (AI), are increasingly being adopted by Small and Medium Enterprises (SMEs) to enhance q...

and LLMs hallucinations misinformation SMEs decision making can reducing their

2026-08-04 1 阅读约1分钟阅读 Md. Samiul Islam, Iqbal H. Sarker, Chadni Islam, Ahmad Mohsin, Ahmed Ibrahim, Helge Janicke

arXiv:2608.00006v1 公告类型：新摘要：大型语言模型 (LLM) 作为人工智能 (AI) 的一部分，越来越多地被中小企业 (SME) 采用，以增强问答能力并支持业务决策流程。然而，LLM 生成的输出中的幻觉可能会成为错误信息的来源，从而降低用户对其在中小企业内的可靠性和可信度的信心。检索增强生成 (RAG) 已成为一种有前途的方法，通过将外部知识源纳入建模过程来应对这一挑战。在本文中，我们提出了 VectorRAG 和 GraphRAG 建模方法，以减轻幻觉和错误信息风险，并评估其在中小企业环境中的有效性。我们的实验评估是在多个最先进的法学硕士（包括 LLaMA、Mistral 和 Qwen）上进行的，以评估在有用响应生成、幻觉风险、上下文相关性以及人类解释方面的表现。结果表明，RAG 增强的法学硕士可以通过减少幻觉和错误信息来显着提高响应质量，从而支持中小企业环境中更可靠、值得信赖和情境感知的决策。

订阅66必读