---
title: "Alucinações e respostas incorretas de LLMs"
source: "https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs"
wiki: "systems-analysis.info/int"
article: "Alucinações_e_respostas_incorretas_de_LLMs"
language: "pt"
categories:
  - "Category:Large language models"
  - "Category:LLM core concepts"
  - "Category:Machine learning"
  - "Category:Portuguese"
revision_id: 301
wiki_created_at: 2026-09-06T22:31:44Z
wiki_modified_at: 2026-09-06T22:31:44Z
downloaded_at: 2026-09-07T22:39:14Z
---

# Alucinações e respostas incorretas de LLMs

**Alucinação** (do inglês *hallucination*) no contexto de grandes modelos de linguagem (LLM) é o fenômeno no qual o modelo gera com confiança uma resposta que parece plausível (*plausible*), mas que na verdade não corresponde à realidade, ao contexto fornecido ou é internamente contraditória<sup>[\[1\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-lakera-guide-1)[\[2\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-astera-guide-2)</sup>. O modelo "inventa" fatos, detalhes ou conclusões lógicas que não estão presentes nos dados de origem.

É importante notar que a alucinação não é uma falha ou um bug no sentido tradicional. O modelo funciona como foi projetado: ele prevê a continuação mais provável do texto com base em padrões extraídos dos dados de treinamento. Ele não possui um mecanismo integrado de verificação da veracidade<sup>[\[3\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-wikipedia-hallucination-3)</sup>. As alucinações se distinguem dos erros simples por representarem informações apresentadas com confiança, mas falsas, muitas vezes incluindo fatos, referências ou eventos inexistentes<sup>[\[4\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-openai-description-4)</sup>. Esse fenômeno se tornou tão significativo que, em 2023, o Dicionário Cambridge adicionou um novo significado ao termo "hallucination", referente à inteligência artificial<sup>[\[5\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-cambridge-dict-5)</sup>.

## Definições e classificação de alucinações

Embora vários termos sejam utilizados (por exemplo, "confabulação", "invenção"), as alucinações em LLMs podem ser divididas em duas grandes categorias: relacionadas à **veracidade factual** e relacionadas à **fidelidade à fonte** (consistência contextual)<sup>[\[6\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-nexla-guide-6)</sup>.

### Alucinações factuais

Este é o caso em que o modelo apresenta informações factualmente incorretas sobre o mundo real. O modelo afirma um "fato" falso como verdadeiro<sup>[\[1\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-lakera-guide-1)</sup>.

- **Exemplo**: *"Charles Lindbergh foi a primeira pessoa a pisar na superfície da Lua"* — um fato completamente fictício.
- **Citações e referências falsas**: O modelo pode inventar uma referência a um trabalho científico ou a uma lei inexistente, imitando o formato de uma referência real<sup>[\[2\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-astera-guide-2)</sup>. Isso mina a confiança nos modelos, especialmente em aplicações que exigem precisão (educação, notícias, consultoria)<sup>[\[7\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-quickcreator-tips-7)</sup>.

### Erros lógicos

O modelo comete uma inconsistência ou um erro no raciocínio. Fatos individuais na resposta podem estar corretos, mas a conclusão é ilógica ou contradiz a lógica elementar<sup>[\[2\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-astera-guide-2)</sup>. Isso ocorre frequentemente em raciocínios complexos ou em tarefas de matemática e causalidade, onde o modelo opera com base em conexões probabilísticas entre palavras, e não em lógica formal<sup>[\[2\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-astera-guide-2)[\[2\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-astera-guide-2)</sup>.

- **Exemplo**: *"Como os pássaros voam, os astronautas não sentem a gravidade"* — o texto parece coeso, mas é logicamente incorreto.

### Alucinações contextuais

A resposta do modelo não corresponde ao contexto ou à instrução fornecida. O modelo "sai" do contexto, adicionando informações desnecessárias ou ignorando as necessárias<sup>[\[1\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-lakera-guide-1)</sup>.

- **Violação da instrução**: Ao pedido para "traduzir o texto para o espanhol", o modelo responde em inglês<sup>[\[1\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-lakera-guide-1)</sup>.
- **Informação não proveniente da fonte**: Em uma tarefa de sumarização, o modelo "adiciona" fatos que não estão no documento original ou os distorce<sup>[\[1\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-lakera-guide-1)</sup>.
- **Mistura de contextos**: No meio da resposta, o modelo pode de repente começar a falar sobre algo de outra área. Por exemplo, em resposta a uma pergunta sobre o comissário da NBA **Adam Silver**, o modelo pode mudar para seu antecessor **David Stern**, misturando dois contextos diferentes<sup>[\[6\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-nexla-guide-6)</sup>.

### Inconsistência

Uma variedade de alucinação na qual o modelo se contradiz dentro de uma única resposta ou de uma série de respostas<sup>[\[6\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-nexla-guide-6)</sup>. Um estudo descobriu que o nível de autocontradição nas respostas do ChatGPT é de aproximadamente 14%<sup>[\[6\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-nexla-guide-6)[\[6\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-nexla-guide-6)</sup>.

- **Exemplo**: *"A empresa X foi fundada em 1990... e algumas frases depois... A empresa X, fundada em 2000..."*

### Alucinações em código

LLMs treinados com código podem gerar trechos sintaticamente corretos, mas não funcionais, utilizando funções, bibliotecas ou parâmetros inexistentes<sup>[\[2\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-astera-guide-2)</sup>. Por exemplo, o modelo pode gerar \`import quantum\` em Python, embora esse módulo padrão não exista. Em 2024, o termo "code hallucination" foi proposto e o benchmark **CodeMirage** foi criado para sistematizar esse problema<sup>[\[8\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-codemirage-paper-8)</sup>.

## Causas de ocorrência

O fenômeno das alucinações é causado por uma combinação de fatores, desde a arquitetura do modelo até a qualidade dos dados.

- **Arquitetura e princípio de treinamento**: A maioria dos LLMs (por exemplo, GPT) são transformadores autorregressivos, treinados para prever o próximo token. Seu objetivo é maximizar a verossimilhança do texto, e não verificar a veracidade das afirmações<sup>[\[2\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-astera-guide-2)</sup>. O modelo não distingue fatos de ficção nos dados de treinamento, percebendo tudo como padrões textuais<sup>[\[2\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-astera-guide-2)</sup>.
- **Qualidade dos dados de treinamento**: Os LLMs são treinados em enormes corpus de texto da internet, que contêm muitas imprecisões, mitos e informações desatualizadas<sup>[\[1\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-lakera-guide-1)</sup>. O modelo memoriza e reproduz esses erros. O **knowledge cutoff** (limite de conhecimento) também é importante — o ponto no tempo até o qual o modelo possui informações.
- **Método de geração de texto**: A natureza estocástica da geração (amostragem com temperatura) permite que o modelo crie respostas mais "criativas", mas menos precisas. O comprimento limitado do contexto pode fazer com que o modelo "esqueça" detalhes iniciais do diálogo e comece a se contradizer<sup>[\[6\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-nexla-guide-6)</sup>.

## Métodos de avaliação e medição

Para detectar e medir alucinações, são utilizadas métricas automáticas, avaliação humana e benchmarks especializados.

- **Métricas automáticas**: Incluem abordagens onde outro LLM atua como um "juiz" (**LLM-as-a-judge**) para avaliar a correção da resposta<sup>[\[9\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-evidently-blog-9)</sup>, ou a análise da entropia (incerteza) do modelo durante a geração<sup>[\[10\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-kolena-blog-10)</sup>.
- **Anotação humana**: Considerada o "padrão-ouro". Especialistas ou avaliadores de crowdsourcing avaliam manualmente as respostas, marcando os erros. Este método é usado no treinamento de modelos com RLHF<sup>[\[11\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-chatgpt-comparison-11)</sup>.
- **Benchmarks e testes de estresse**: Foram criados conjuntos de dados especiais, como o **TruthfulQA**, que contém perguntas que provocam o modelo a reproduzir mitos comuns<sup>[\[12\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-mastering-llm-accuracy-12)</sup>. Existem também leaderboards, como o **Hugging Face Hallucination Leaderboard**, onde os modelos são comparados pelo nível de alucinações<sup>[\[13\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-llm-benchmarks-arize-13)</sup>.

## Métodos de mitigação e prevenção

- **Geração Aumentada por Recuperação (RAG)**: A abordagem mais bem-sucedida, que "ancora" o modelo a conhecimentos externos. Antes de gerar uma resposta, o modelo recebe informações relevantes de um banco de dados, sistema de busca ou API. Isso permite que o modelo baseie sua resposta em dados verificados, em vez de suposições<sup>[\[2\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-astera-guide-2)</sup>.
- **Cadeia de Pensamento (Chain-of-Thought) e autoverificação**: O modelo primeiro gera um raciocínio passo a passo antes de dar a resposta final, o que aumenta a precisão. Em métodos mais avançados, como a **Autoverificação (Self-Verification)**, o modelo gera uma resposta preliminar e depois recebe a tarefa de verificá-la e corrigi-la<sup>[\[14\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-rag-cove-paper-14)</sup>.
- **Regras e filtros integrados**: Os modelos são treinados para se recusar a responder quando não têm certeza. Por exemplo, os modelos Claude da Anthropic seguem o princípio da "veracidade" e frequentemente respondem "Não sei ao certo...", em vez de inventar fatos<sup>[\[11\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-chatgpt-comparison-11)</sup>.
- **Integração com ferramentas externas**: Modelos como o Gemini podem reconhecer automaticamente quando precisam de uma ferramenta externa (por exemplo, uma calculadora para cálculos ou uma busca para notícias recentes) e usá-la, o que reduz significativamente o número de alucinações<sup>[\[11\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-chatgpt-comparison-11)</sup>.

## Riscos e consequências

- **Riscos legais e de reputação**: Na área jurídica, as alucinações podem ter consequências graves. O caso **Mata v. Avianca (2023)** tornou-se amplamente conhecido, no qual um advogado usou o ChatGPT para pesquisar precedentes judiciais, e o modelo inventou vários casos inexistentes. Os advogados foram multados, e o incidente serviu como uma lição sobre a inadmissibilidade de confiar na IA sem verificação<sup>[\[1\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-lakera-guide-1)</sup>.
- **Disseminação de desinformação**: Em escala social, os LLMs podem agravar o problema das notícias falsas. É conhecido o caso do modelo **Galactica** da Meta, criado para auxiliar cientistas, mas que começou a gerar textos pseudocientíficos com experimentos e referências inventadas. Após três dias, o acesso público ao modelo foi encerrado<sup>[\[15\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-galactica-failure-15)</sup>.
- **Tomada de decisões equivocadas**: Os usuários, especialmente os menos experientes, tendem a confiar em respostas formuladas com confiança pela IA, o que pode levar à tomada de decisões erradas em finanças, medicina e outras áreas críticas<sup>[\[7\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-quickcreator-tips-7)</sup>.

## Exemplos práticos

- **Caso da Air Canada (2023)**: O chatbot da companhia aérea inventou uma política de reembolso de passagens inexistente. Quando um cliente exigiu que ela fosse aplicada, a empresa se recusou. O Tribunal de Transportes do Canadá determinou que a Air Canada era responsável pela informação fornecida por seu chatbot e deveria compensar o cliente por suas perdas<sup>[\[9\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-evidently-blog-9)</sup>.
- **Ação de difamação contra a OpenAI (2023)**: O radialista Mark Walters processou a OpenAI porque o ChatGPT, em resposta à consulta de um jornalista, o acusou falsamente de fraude. Este caso destacou a responsabilidade legal das empresas pelo conteúdo gerado por seus modelos<sup>[\[6\]](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_note-nexla-guide-6)</sup>.

## Ligações externas

- <a href="https://www.lakera.ai/blog/guide-to-hallucinations-in-large-language-models" class="external text" rel="nofollow">The Beginner's Guide to Hallucinations in Large Language Models</a> — um guia detalhado da Lakera
- <a href="https://arxiv.org/abs/2202.03629" class="external text" rel="nofollow">Survey of Hallucination in Natural Language Generation</a> — uma revisão científica do fenômeno no arXiv

## Literatura

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

## Notas

1.  <span id="cite_note-lakera-guide-1">↑ <sup>[1.0](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-lakera-guide_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-lakera-guide_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-lakera-guide_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-lakera-guide_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-lakera-guide_1-4)</sup> <sup>[1.5](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-lakera-guide_1-5)</sup> <sup>[1.6](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#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/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-astera-guide_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-astera-guide_2-1)</sup> <sup>[2.2](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-astera-guide_2-2)</sup> <sup>[2.3](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-astera-guide_2-3)</sup> <sup>[2.4](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-astera-guide_2-4)</sup> <sup>[2.5](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-astera-guide_2-5)</sup> <sup>[2.6](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-astera-guide_2-6)</sup> <sup>[2.7](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-astera-guide_2-7)</sup> <sup>[2.8](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#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/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#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/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-openai-description_4-0) «OpenAI describes LLM hallucinations as 'making up facts' in moments of uncertainty'». *\[fonte não especificada no texto\]*.</span>
5.  <span id="cite_note-cambridge-dict-5">[↑](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-cambridge-dict_5-0) «Cambridge Dictionary adds new definition for 'hallucinate'». *\[fonte não especificada no texto\]*.</span>
6.  <span id="cite_note-nexla-guide-6">↑ <sup>[6.0](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-nexla-guide_6-0)</sup> <sup>[6.1](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-nexla-guide_6-1)</sup> <sup>[6.2](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-nexla-guide_6-2)</sup> <sup>[6.3](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-nexla-guide_6-3)</sup> <sup>[6.4](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-nexla-guide_6-4)</sup> <sup>[6.5](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-nexla-guide_6-5)</sup> <sup>[6.6](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#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/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-quickcreator-tips_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#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/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#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/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-evidently-blog_9-0)</sup> <sup>[9.1](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#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/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#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/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-chatgpt-comparison_11-0)</sup> <sup>[11.1](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#cite_ref-chatgpt-comparison_11-1)</sup> <sup>[11.2](https://systems-analysis.info/int/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#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/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#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/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#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/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#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/Alucina%C3%A7%C3%B5es_e_respostas_incorretas_de_LLMs#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>