ทันเอไอ

ทีมนักวิจัยเสนอวิธีใหม่ตรวจจับอาการหลอนของ LLM ผ่านโครงสร้างกราฟความสนใจ

งานวิจัยใหม่เผยวิธีตรวจจับอาการหลอนของโมเดลภาษาขนาดใหญ่โดยวิเคราะห์ความโค้งของกราฟข้อมูลในชั้นประมวลผล

นักวิจัยจากยูนิแคป (UNICAMP) และมหาวิทยาลัยเพนซิลเวเนีย (University of Pennsylvania) เผยแพร่งานวิจัยชื่อ "Detecting Hallucination in LLMs: Tracing the Topological Signatures of Impaired Context Sharing" บนแพลตฟอร์ม arXiv เมื่อวันที่ 17 กันยายน 2026 โดยนำเสนอแนวทางใหม่ในการตรวจสอบและแยกแยะคำตอบที่ถูกต้องออกจากอาการหลอน (Hallucination) ของโมเดลภาษาขนาดใหญ่ (LLMs)

งานวิจัยนี้ชี้ว่าอาการหลอนของโมเดลมีความสัมพันธ์โดยตรงกับการแบ่งปันบริบทที่บกพร่อง (Impaired Context Sharing) ระหว่างการประมวลผลข้อความ ซึ่งมักเกิดปัญหาคอขวดของข้อมูล (Information Bottlenecks) และภาวะโอเวอร์สควอชชิง (Over-squashing) โดยเฉพาะในชั้นทรานส์ฟอร์เมอร์ (Transformer) ชั้นสุดท้าย ทีมผู้เขียนจึงได้พัฒนาวิธีวิเคราะห์ความโค้งของฟอร์มาน-ริตชี (Forman-Ricci curvature) ภายในกราฟความสนใจ (Attention Graphs) เพื่อดึงลักษณะการไหลของข้อมูลทั้งในระดับกึ่งท้องถิ่นและระดับโลก

จากการทดสอบบนชุดข้อมูลมาตรฐานหลายชุด ทีมวิจัยพบว่าวิธีการแบบผ่านรอบเดียว (Single-pass approach) ที่พัฒนาขึ้น สามารถให้ผลลัพธ์ที่ดีขึ้นอย่างสม่ำเสมอเมื่อเทียบกับแนวทางเดิมที่ใช้ความสนใจแบบหลายคำตอบ ช่วยเพิ่มประสิทธิภาพในการตรวจสอบความถูกต้องของโมเดลได้อย่างแม่นยำยิ่งขึ้นโดยไม่ต้องประมวลผลซ้ำหลายรอบ