---
title: "Allucinazioni e risposte errate degli LLM"
source: "https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM"
wiki: "systems-analysis.info/int"
article: "Allucinazioni_e_risposte_errate_degli_LLM"
language: "it"
categories:
  - "Category:Italian"
  - "Category:Large language models"
  - "Category:Machine learning"
revision_id: 272
wiki_created_at: 2026-09-06T22:31:21Z
wiki_modified_at: 2026-09-06T22:31:21Z
downloaded_at: 2026-09-07T22:39:05Z
---

# Allucinazioni e risposte errate degli LLM

**Allucinazione** (ingl. *hallucination*) nel contesto dei grandi modelli linguistici (LLM) è un fenomeno in cui il modello genera con sicurezza una risposta apparentemente plausibile (*plausible*) che in realtà non corrisponde alla realtà, al contesto fornito, oppure è internamente contraddittoria<sup>[\[1\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-lakera-guide-1)[\[2\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-astera-guide-2)</sup>. Il modello «inventa» fatti, dettagli o conclusioni logiche assenti nei dati di partenza.

È importante sottolineare che l'allucinazione non è un guasto o un bug nel senso tradizionale del termine. Il modello funziona esattamente come è stato progettato: prevede la continuazione di testo più probabile sulla base dei pattern estratti dai dati di addestramento. Non dispone di un meccanismo integrato di verifica della veridicità<sup>[\[3\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-wikipedia-hallucination-3)</sup>. Le allucinazioni si distinguono dai semplici errori perché rappresentano informazioni false presentate con sicurezza, che spesso includono fatti, riferimenti o eventi inesistenti<sup>[\[4\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-openai-description-4)</sup>. Questo fenomeno è diventato talmente rilevante che nel 2023 il Dizionario di Cambridge ha aggiunto un nuovo significato al termine «hallucination», relativo all'intelligenza artificiale<sup>[\[5\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-cambridge-dict-5)</sup>.

## Definizioni e classificazione delle allucinazioni

Sebbene vengano usati vari termini (ad esempio, «confabulazione», «invenzione»), le allucinazioni negli LLM possono essere suddivise in due grandi categorie: quelle legate all'**accuratezza fattuale** e quelle legate alla **fedeltà alla fonte** (coerenza contestuale)<sup>[\[6\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-nexla-guide-6)</sup>.

### Allucinazioni fattuali

Si tratta del caso in cui il modello riporta informazioni fattualmente errate sul mondo reale. Il modello afferma un «fatto» falso come se fosse vero<sup>[\[1\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-lakera-guide-1)</sup>.

- **Esempio**: *«Charles Lindbergh fu il primo uomo a mettere piede sulla superficie della Luna»* — un fatto completamente inventato.
- **Citazioni e riferimenti falsi**: Il modello può inventare un riferimento a un articolo scientifico o a una legge inesistenti, imitando il formato di una citazione reale<sup>[\[2\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-astera-guide-2)</sup>. Ciò mina la fiducia nei modelli, specialmente nelle applicazioni che richiedono precisione (istruzione, giornalismo, consulenza)<sup>[\[7\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-quickcreator-tips-7)</sup>.

### Errori logici

Il modello commette un'incongruenza o un errore nel ragionamento. I singoli fatti nella risposta possono essere corretti, ma la conclusione è illogica o contraddice la logica elementare<sup>[\[2\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-astera-guide-2)</sup>. Ciò accade spesso in ragionamenti complessi o in compiti di matematica e causalità, dove il modello opera su connessioni probabilistiche tra parole anziché su logica formale<sup>[\[2\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-astera-guide-2)[\[2\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-astera-guide-2)</sup>.

- **Esempio**: *«Poiché gli uccelli volano, gli astronauti non subiscono la gravità»* — il testo appare coerente, ma è logicamente errato.

### Allucinazioni contestuali

La risposta del modello non corrisponde al contesto o all'istruzione forniti. Il modello «esce» dal contesto, aggiungendo informazioni superflue o ignorando quelle necessarie<sup>[\[1\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-lakera-guide-1)</sup>.

- **Violazione dell'istruzione**: A fronte di una richiesta di «tradurre il testo in spagnolo», il modello risponde in inglese<sup>[\[1\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-lakera-guide-1)</sup>.
- **Informazioni esterne alla fonte**: In un compito di sintesi, il modello «aggiunge» fatti assenti nel documento originale oppure li distorce<sup>[\[1\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-lakera-guide-1)</sup>.
- **Mescolanza di contesti**: A metà risposta, il modello inizia improvvisamente a parlare di qualcosa che appartiene a un altro ambito. Ad esempio, in risposta a una domanda sul commissario NBA **Adam Silver**, il modello può passare al suo predecessore **David Stern**, mescolando due contesti distinti<sup>[\[6\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-nexla-guide-6)</sup>.

### Incoerenza

Una variante dell'allucinazione in cui il modello si contraddice all'interno di una singola risposta o di una serie di risposte<sup>[\[6\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-nexla-guide-6)</sup>. In uno studio è stato rilevato che il tasso di auto-contraddizione delle risposte di ChatGPT è di circa il 14%<sup>[\[6\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-nexla-guide-6)[\[6\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-nexla-guide-6)</sup>.

- **Esempio**: *«L'azienda X è stata fondata nel 1990... e qualche frase dopo ...L'azienda X, costituita nel 2000...»*

### Allucinazioni nel codice

Gli LLM addestrati sul codice possono generare frammenti sintatticamente corretti ma non funzionanti, utilizzando funzioni, librerie o parametri inesistenti<sup>[\[2\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-astera-guide-2)</sup>. Ad esempio, il modello può generare \`import quantum\` in Python, sebbene tale modulo standard non esista. Nel 2024 è stato proposto il termine «code hallucination» ed è stato creato il benchmark **CodeMirage** per sistematizzare questo problema<sup>[\[8\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-codemirage-paper-8)</sup>.

## Cause del fenomeno

Il fenomeno delle allucinazioni è determinato da un insieme di fattori, dall'architettura del modello alla qualità dei dati.

- **Architettura e principio di addestramento**: La maggior parte degli LLM (ad esempio, GPT) sono transformer autoregressivi addestrati a prevedere il token successivo. Il loro obiettivo è massimizzare la plausibilità del testo, non verificare la veridicità delle affermazioni<sup>[\[2\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-astera-guide-2)</sup>. Il modello non distingue tra fatti e finzione nei dati di addestramento, trattando tutto come pattern testuali<sup>[\[2\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-astera-guide-2)</sup>.
- **Qualità dei dati di addestramento**: Gli LLM vengono addestrati su enormi corpus di testo tratti da Internet, che contengono numerose imprecisioni, miti e informazioni obsolete<sup>[\[1\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-lakera-guide-1)</sup>. Il modello memorizza e riproduce questi errori. È inoltre rilevante il **knowledge cutoff** — il limite temporale entro cui il modello dispone di informazioni.
- **Modalità di generazione del testo**: Il carattere stocastico della generazione (campionamento con temperatura) consente al modello di produrre risposte più «creative», ma meno precise. La lunghezza limitata del contesto può portare il modello a «dimenticare» i dettagli iniziali del dialogo e a contraddirsi<sup>[\[6\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-nexla-guide-6)</sup>.

## Metodi di valutazione e misurazione

Per rilevare e misurare le allucinazioni vengono utilizzate metriche automatiche, valutazione umana e benchmark specializzati.

- **Metriche automatiche**: Comprendono approcci in cui un altro LLM funge da «giudice» (**LLM-as-a-judge**) per valutare la correttezza della risposta<sup>[\[9\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-evidently-blog-9)</sup>, oppure l'analisi dell'entropia (incertezza) del modello durante la generazione<sup>[\[10\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-kolena-blog-10)</sup>.
- **Annotazione umana**: Considerata il «gold standard». Esperti o crowd-assessor valutano manualmente le risposte, segnalando gli errori. Questo metodo viene utilizzato nell'addestramento dei modelli tramite RLHF<sup>[\[11\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-chatgpt-comparison-11)</sup>.
- **Benchmark e stress test**: Sono stati creati dataset specifici, come **TruthfulQA**, che contiene domande pensate per spingere il modello a riprodurre miti diffusi<sup>[\[12\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-mastering-llm-accuracy-12)</sup>. Esistono anche leaderboard, come il **Hugging Face Hallucination Leaderboard**, dove i modelli vengono confrontati in base al livello di allucinazioni<sup>[\[13\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-llm-benchmarks-arize-13)</sup>.

## Metodi di mitigazione e prevenzione

- **Retrieval-Augmented Generation (RAG)**: L'approccio più efficace, che «ancora» il modello a conoscenze esterne. Prima di generare la risposta, il modello riceve informazioni rilevanti da un database, un motore di ricerca o un'API. Ciò consente al modello di basare la risposta su dati verificati anziché su supposizioni<sup>[\[2\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-astera-guide-2)</sup>.
- **Catene di ragionamento (Chain-of-Thought) e auto-verifica**: Il modello genera prima un ragionamento passo dopo passo prima di fornire la risposta finale, aumentando la precisione. In metodi più avanzati, come **Self-Verification**, il modello genera una risposta preliminare e poi riceve il compito di verificarla e correggerla<sup>[\[14\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-rag-cove-paper-14)</sup>.
- **Regole integrate e filtri**: I modelli vengono addestrati a rifiutare di rispondere quando non sono sicuri. Ad esempio, i modelli Claude di Anthropic seguono il principio di «veridicità» e rispondono spesso «Non so con certezza...», invece di inventare fatti<sup>[\[11\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-chatgpt-comparison-11)</sup>.
- **Integrazione con strumenti esterni**: Modelli come Gemini possono riconoscere automaticamente quando hanno bisogno di uno strumento esterno (ad esempio, una calcolatrice per i calcoli o una ricerca per le ultime notizie) e utilizzarlo, riducendo significativamente il numero di allucinazioni<sup>[\[11\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-chatgpt-comparison-11)</sup>.

## Rischi e conseguenze

- **Rischi legali e reputazionali**: In ambito giuridico le allucinazioni possono avere conseguenze gravi. Ha avuto ampia risonanza il caso **Mata v. Avianca (2023)**, in cui un avvocato ha utilizzato ChatGPT per cercare precedenti giudiziari, e il modello ha inventato diversi casi inesistenti. Gli avvocati sono stati sanzionati e l'incidente è diventato un esempio emblematico dell'inammissibilità di fidarsi dell'IA senza verifica<sup>[\[1\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-lakera-guide-1)</sup>.
- **Diffusione della disinformazione**: Su scala sociale, gli LLM possono amplificare il problema delle fake news. È noto il caso del modello **Galactica** di Meta, creato per assistere gli scienziati, che ha iniziato a generare testi pseudoscientifici con esperimenti e riferimenti inventati. Dopo tre giorni l'accesso pubblico al modello è stato chiuso<sup>[\[15\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-galactica-failure-15)</sup>.
- **Adozione di decisioni errate**: Gli utenti, specialmente quelli meno esperti, tendono a fidarsi delle risposte dell'IA formulate con sicurezza, il che può portare a decisioni sbagliate in ambito finanziario, medico e in altri settori critici<sup>[\[7\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-quickcreator-tips-7)</sup>.

## Esempi pratici

- **Caso Air Canada (2023)**: Il chatbot della compagnia aerea ha inventato una politica di rimborso biglietti inesistente. Quando il cliente ha chiesto di applicarla, l'azienda si è rifiutata. Il Tribunale dei trasporti del Canada ha obbligato Air Canada a rispondere delle informazioni fornite dal suo chatbot e a risarcire il cliente<sup>[\[9\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-evidently-blog-9)</sup>.
- **Causa per diffamazione contro OpenAI (2023)**: Il conduttore radiofonico Mark Walters ha citato in giudizio OpenAI perché ChatGPT, in risposta a una richiesta di un giornalista, lo aveva falsamente accusato di frode. Questo caso ha messo in evidenza la responsabilità legale delle aziende per i contenuti generati dai loro modelli<sup>[\[6\]](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_note-nexla-guide-6)</sup>.

## Riferimenti

- The Beginner's Guide to Hallucinations in Large Language Models — guida dettagliata di Lakera
- Survey of Hallucination in Natural Language Generation — rassegna scientifica del fenomeno su arXiv

## Bibliografia

- Holtzman, A. et al. (2020). *The Curious Case of Neural Text Degeneration*. arXiv:1904.09751.
- Caccia, M. et al. (2018). *Language GANs Falling Short*. arXiv:1811.02549.
- Fan, A. et al. (2018). *Hierarchical Neural Story Generation*. arXiv:1805.04833.
- Su, Y.; Collier, N. (2022). *Contrastive Search Is What You Need for Neural Text Generation*. arXiv:2210.14140.
- Meister, C. et al. (2023). *Locally Typical Sampling*. arXiv:2202.00666.
- O'Brien, S.; Lewis, M. (2023). *Contrastive Decoding Improves Reasoning in Large Language Models*. arXiv:2309.09117.
- Finlayson, M. et al. (2024). *Basis-Aware Truncation Sampling for Neural Text Generation*. arXiv:2412.14352.
- Tan, Q. et al. (2024). *A Thorough Examination of Decoding Methods in the Era of Large Language Models*. arXiv:2402.06925.
- Yu, S. et al. (2023). *Conformal Nucleus Sampling*. arXiv:2305.02633.
- Chen, S. J. et al. (2024). *Decoding Game: On Minimax Optimality of Heuristic Text Generation Methods*. arXiv:2410.03968.

## Note

1.  <span id="cite_note-lakera-guide-1">↑ <sup>[1.0](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-lakera-guide_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-lakera-guide_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-lakera-guide_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-lakera-guide_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-lakera-guide_1-4)</sup> <sup>[1.5](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-lakera-guide_1-5)</sup> <sup>[1.6](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-lakera-guide_1-6)</sup> «The Beginner's Guide to Hallucinations in Large Language Models». *Lakera*. <a href="https://www.lakera.ai/blog/guide-to-hallucinations-in-large-language-models" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-astera-guide-2">↑ <sup>[2.0](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-astera-guide_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-astera-guide_2-1)</sup> <sup>[2.2](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-astera-guide_2-2)</sup> <sup>[2.3](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-astera-guide_2-3)</sup> <sup>[2.4](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-astera-guide_2-4)</sup> <sup>[2.5](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-astera-guide_2-5)</sup> <sup>[2.6](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-astera-guide_2-6)</sup> <sup>[2.7](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-astera-guide_2-7)</sup> <sup>[2.8](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-astera-guide_2-8)</sup> «What Is LLM Hallucination and How To Prevent It». *Astera*. <a href="https://www.astera.com/type/blog/llm-hallucination-how-to-reduce-it/" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-wikipedia-hallucination-3">[↑](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-wikipedia-hallucination_3-0) «Hallucination (artificial intelligence)». In *Wikipedia*. <a href="https://en.wikipedia.org/wiki/Hallucination_(artificial_intelligence)" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-openai-description-4">[↑](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-openai-description_4-0) «OpenAI describes LLM hallucinations as 'making up facts' in moments of uncertainty'». *\[источник не указан в тексте\]*.</span>
5.  <span id="cite_note-cambridge-dict-5">[↑](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-cambridge-dict_5-0) «Cambridge Dictionary adds new definition for 'hallucinate'». *\[источник не указан в тексте\]*.</span>
6.  <span id="cite_note-nexla-guide-6">↑ <sup>[6.0](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-nexla-guide_6-0)</sup> <sup>[6.1](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-nexla-guide_6-1)</sup> <sup>[6.2](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-nexla-guide_6-2)</sup> <sup>[6.3](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-nexla-guide_6-3)</sup> <sup>[6.4](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-nexla-guide_6-4)</sup> <sup>[6.5](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-nexla-guide_6-5)</sup> <sup>[6.6](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-nexla-guide_6-6)</sup> «LLM Hallucination—Types, Causes, and Solutions». *Nexla*. <a href="https://nexla.com/ai-infrastructure/llm-hallucination/" class="external autonumber" rel="nofollow">[4]</a></span>
7.  <span id="cite_note-quickcreator-tips-7">↑ <sup>[7.0](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-quickcreator-tips_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-quickcreator-tips_7-1)</sup> «Effective Tips to Prevent AI Hallucinations in Generative AI». *QuickCreator*. <a href="https://quickcreator.io/quthor_blog/tricks-prevent-ai-hallucinations-generative-artificial-intelligence/" class="external autonumber" rel="nofollow">[5]</a></span>
8.  <span id="cite_note-codemirage-paper-8">[↑](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-codemirage-paper_8-0) \[2408.08333\] CodeMirage: Hallucinations in Code Generated by Large Language Models. *arXiv*. <a href="https://arxiv.org/abs/2408.08333" class="external autonumber" rel="nofollow">[6]</a></span>
9.  <span id="cite_note-evidently-blog-9">↑ <sup>[9.0](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-evidently-blog_9-0)</sup> <sup>[9.1](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-evidently-blog_9-1)</sup> «LLM hallucinations and failures: lessons from 4 examples». *Evidently AI Blog*. <a href="https://www.evidentlyai.com/blog/llm-hallucination-examples" class="external autonumber" rel="nofollow">[7]</a></span>
10. <span id="cite_note-kolena-blog-10">[↑](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-kolena-blog_10-0) «How to Perform Hallucination Detection for LLMs». *Kolena*. <a href="https://www.kolena.com/blog/how-to-perform-hallucination-detection-for-llms/" class="external autonumber" rel="nofollow">[8]</a></span>
11. <span id="cite_note-chatgpt-comparison-11">↑ <sup>[11.0](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-chatgpt-comparison_11-0)</sup> <sup>[11.1](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-chatgpt-comparison_11-1)</sup> <sup>[11.2](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-chatgpt-comparison_11-2)</sup> «ChatGPT vs Google Gemini vs Anthropic Claude: Comprehensive Comparison & Report». *DataStudios*. <a href="https://www.datastudios.org/post/chatgpt-vs-google-gemini-vs-anthropic-claude-comprehensive-comparison-report-capabilities-perfo" class="external autonumber" rel="nofollow">[9]</a></span>
12. <span id="cite_note-mastering-llm-accuracy-12">[↑](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-mastering-llm-accuracy_12-0) «Mastering LLM Accuracy: How to Test, Detect, and Fix Hallucinations in AI Models». *Stephen Weber on Medium*. <a href="https://weber-stephen.medium.com/mastering-llm-accuracy-how-to-test-detect-and-fix-hallucinations-in-ai-models-ae5f69111379" class="external autonumber" rel="nofollow">[10]</a></span>
13. <span id="cite_note-llm-benchmarks-arize-13">[↑](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-llm-benchmarks-arize_13-0) «LLM Benchmarks and Leaderboards: Avoiding Foundation Model Mistakes». *Arize Blog*. <a href="https://arize.com/blog-course/llm-leaderboards-benchmarks/" class="external autonumber" rel="nofollow">[11]</a></span>
14. <span id="cite_note-rag-cove-paper-14">[↑](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-rag-cove-paper_14-0) «Improving the Reliability of LLMs: Combining Chain-of-Thought Reasoning and Retrieval-Augmented Generation». *arXiv*. <a href="https://arxiv.org/html/2505.09031v1" class="external autonumber" rel="nofollow">[12]</a></span>
15. <span id="cite_note-galactica-failure-15">[↑](https://systems-analysis.info/int/Allucinazioni_e_risposte_errate_degli_LLM#cite_ref-galactica-failure_15-0) «Why Meta Took Down its 'Hallucinating' AI Model Galactica?». *Analytics India Magazine*. <a href="https://analyticsindiamag.com/ai-features/why-meta-took-down-its-hallucinating-ai-model-galactica/" class="external autonumber" rel="nofollow">[13]</a></span>