研究者发布DialFork基准，评测对话智能体的程序性幻觉

Sergio Burdisso 等研究者在 arXiv 发布 DialFork，称为首个在原始对话文本上测量“程序性幻觉”的基准——即智能体逐句流畅、事实合理，但偏离预期对话流程的失败模式。数据集通过在受控轮次对合规对话分叉并注入四类幻觉生成，包含 36,278 条对话，覆盖 24 个任务和 12 个领域，由 30 名标注者验证，并提出 FlowKL 和 FlowScore 两个对话流感知指标。该基准以开放许可发布。

AI 根据报道生成 · 50 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。