---
title: "LLM hallucinations (HE)"
source: "https://systems-analysis.info/int/LLM_hallucinations_(HE)"
wiki: "systems-analysis.info/int"
article: "LLM_hallucinations_(HE)"
language: "he"
categories:
  - "Category:Hebrew"
  - "Category:Large language models"
  - "Category:Machine learning"
revision_id: 3628
wiki_created_at: 2026-09-06T23:23:38Z
wiki_modified_at: 2026-09-06T23:23:38Z
downloaded_at: 2026-09-07T22:57:58Z
---

# LLM hallucinations (HE)

**הזיה** (באנגלית: *hallucination*) בהקשר של מודלים שפתיים גדולים (LLM) היא תופעה שבה המודל מייצר בביטחון תשובה הנראית סבירה (*plausible*) אך אינה תואמת את המציאות, את ההקשר הנתון, או שהיא סותרת את עצמה פנימית<sup>[\[1\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-lakera-guide-1)[\[2\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-astera-guide-2)</sup>. המודל «ממציא» עובדות, פרטים או מסקנות לוגיות שאינם קיימים בנתוני המקור.

חשוב לציין כי הזיה אינה תקלה או באג במובן המסורתי. המודל פועל בדיוק כפי שתוכנן: הוא מנבא את המשך הטקסט הסביר ביותר על בסיס דפוסים שנלמדו מנתוני האימון, וחסר לו מנגנון מובנה לבדיקת אמיתות<sup>[\[3\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-wikipedia-hallucination-3)</sup>. הזיות שונות מטעויות רגילות בכך שהן מידע שגוי המוגש בביטחון, הכולל לעיתים קרובות עובדות, הפניות או אירועים שאינם קיימים<sup>[\[4\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-openai-description-4)</sup>. התופעה הפכה משמעותית כל כך עד שבשנת 2023 הוסיף מילון קיימברידג' הגדרה חדשה למונח «hallucination» הנוגעת לבינה מלאכותית<sup>[\[5\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-cambridge-dict-5)</sup>.

## הגדרות וסיווג של הזיות

אף שנעשה שימוש במונחים שונים (כגון «קונפבולציה», «המצאה»), ניתן לחלק הזיות ב-LLM לשתי קטגוריות עיקריות: אלה הקשורות ל**מהימנות עובדתית** ואלה הקשורות ל**נאמנות למקור** (עקביות הקשרית)<sup>[\[6\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-nexla-guide-6)</sup>.

### הזיות עובדתיות

מדובר במקרים שבהם המודל מציג מידע שגוי מבחינה עובדתית לגבי העולם האמיתי — המודל מציג «עובדה» כוזבת כאילו היא אמת<sup>[\[1\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-lakera-guide-1)</sup>.

- **דוגמה**: *«צ'ארלס לינדברג היה האדם הראשון שדרך על פני הירח»* — עובדה מומצאת לחלוטין.
- **ציטוטים והפניות כוזבות**: המודל עשוי להמציא הפניה לעבודה מדעית או לחוק שאינם קיימים, תוך חיקוי של פורמט הפניה אמיתית<sup>[\[2\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-astera-guide-2)</sup>. הדבר פוגע באמון במודלים, במיוחד ביישומים שדורשים דיוק (חינוך, עיתונות, ייעוץ)<sup>[\[7\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-quickcreator-tips-7)</sup>.

### שגיאות לוגיות

המודל מבצע אי-עקביות או שגיאה בהיסק. עובדות בודדות בתשובה עשויות להיות נכונות, אך המסקנה אינה הגיונית או סותרת לוגיקה בסיסית<sup>[\[2\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-astera-guide-2)</sup>. תופעה זו נפוצה בהיסקים מורכבים או במשימות מתמטיקה וסיבתיות, שבהן המודל פועל על בסיס קשרים הסתברותיים בין מילים ולא על לוגיקה פורמלית<sup>[\[2\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-astera-guide-2)[\[2\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-astera-guide-2)</sup>.

- **דוגמה**: *«מכיוון שציפורים עפות, אסטרונאוטים אינם חשים בכוח הכבידה»* — הטקסט נראה קוהרנטי אך שגוי לוגית.

### הזיות הקשריות

תשובת המודל אינה תואמת את ההקשר או ההוראה שניתנו. המודל «חורג» מן ההקשר, מוסיף מידע מיותר או מתעלם ממידע הנדרש<sup>[\[1\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-lakera-guide-1)</sup>.

- **הפרת הוראה**: לבקשה «תרגם טקסט זה לספרדית» המודל משיב באנגלית<sup>[\[1\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-lakera-guide-1)</sup>.
- **מידע שאינו מהמקור**: במשימת סיכום, המודל «מוסיף» עובדות שאינן במסמך המקורי או מעוות אותן<sup>[\[1\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-lakera-guide-1)</sup>.
- **ערבוב הקשרים**: באמצע התשובה המודל עובר פתאום לנושא מתחום אחר. לדוגמה, בתשובה לשאלה על נציב ה-NBA **אדם סילבר**, המודל עשוי לעבור לדון בקודמו **דייוויד סטרן**, תוך ערבוב שני הקשרים שונים<sup>[\[6\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-nexla-guide-6)</sup>.

### חוסר עקביות

צורת הזיה שבה המודל סותר את עצמו בתוך תשובה אחת או בסדרת תשובות<sup>[\[6\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-nexla-guide-6)</sup>. במחקר אחד נמצא כי שיעור הסתירות העצמיות של ChatGPT עומד על כ-14%<sup>[\[6\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-nexla-guide-6)[\[6\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-nexla-guide-6)</sup>.

- **דוגמה**: *«חברת X נוסדה בשנת 1990... ומספר משפטים לאחר מכן... חברת X, שהוקמה בשנת 2000...»*

### הזיות בקוד

מודלי LLM שאומנו על קוד עשויים לייצר קטעי קוד תקינים תחבירית אך לא פונקציונליים, תוך שימוש בפונקציות, ספריות או פרמטרים שאינם קיימים<sup>[\[2\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-astera-guide-2)</sup>. לדוגמה, המודל עשוי לייצר \`import quantum\` ב-Python, אף שמודול סטנדרטי כזה אינו קיים. בשנת 2024 הוצע המונח «code hallucination» ונוצר benchmark בשם **CodeMirage** לצורך מיפוי שיטתי של בעיה זו<sup>[\[8\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-codemirage-paper-8)</sup>.

## סיבות להיווצרות

תופעת ההזיות נובעת ממכלול גורמים, החל מארכיטקטורת המודל ועד לאיכות הנתונים.

- **ארכיטקטורה ועקרון האימון**: רוב מודלי ה-LLM (כגון GPT) הם transformer אוטו-רגרסיביים שאומנו לנבא את ה-token הבא. מטרתם היא מקסום הסבירות של הטקסט, לא בדיקת אמיתות טענות<sup>[\[2\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-astera-guide-2)</sup>. המודל אינו מבחין בין עובדות לבדיה בנתוני האימון, ותופס הכל כדפוסי טקסט<sup>[\[2\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-astera-guide-2)</sup>.
- **איכות נתוני האימון**: מודלי LLM מאומנים על קורפוסים עצומים של טקסט מהאינטרנט, הכוללים מידע שגוי רב, מיתוסים ומידע מיושן<sup>[\[1\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-lakera-guide-1)</sup>. המודל שונן ומשחזר שגיאות אלה. חשוב גם ה-**knowledge cutoff** — גבול הזמן עד אליו יש למודל מידע.
- **אופן יצירת הטקסט**: האופי הסטוכסטי של הגנרציה (דגימה עם טמפרטורה) מאפשר למודל לייצר תשובות «יצירתיות» יותר אך פחות מדויקות. אורך הקשר מוגבל עלול לגרום למודל «לשכוח» פרטים מוקדמים בדיאלוג ולהתחיל לסתור את עצמו<sup>[\[6\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-nexla-guide-6)</sup>.

## שיטות הערכה ומדידה

לאיתור ומדידה של הזיות נעשה שימוש במדדים אוטומטיים, הערכה אנושית ו-benchmark מתמחים.

- **מדדים אוטומטיים**: כוללים גישות שבהן מודל LLM אחר משמש כ«שופט» (**LLM-as-a-judge**) להערכת נכונות התשובה<sup>[\[9\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-evidently-blog-9)</sup>, או ניתוח האנטרופיה (חוסר הוודאות) של המודל בעת הגנרציה<sup>[\[10\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-kolena-blog-10)</sup>.
- **הערכה אנושית**: נחשבת ל«תקן הזהב». מומחים או מעריכים מהקהל מעריכים ידנית את התשובות ומסמנים שגיאות. שיטה זו משמשת באימון מודלים באמצעות RLHF<sup>[\[11\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-chatgpt-comparison-11)</sup>.
- **Benchmark ומבחני לחץ**: נוצרו מערכי נתונים ייעודיים כגון **TruthfulQA**, המכיל שאלות המעוררות את המודל לשחזר מיתוסים נפוצים<sup>[\[12\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-mastering-llm-accuracy-12)</sup>. קיימים גם לוחות מנהיגים כגון **Hugging Face Hallucination Leaderboard**, שבהם מושווים מודלים לפי רמת ההזיות שלהם<sup>[\[13\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-llm-benchmarks-arize-13)</sup>.

## דרכי הפחתה ומניעה

- **Retrieval-Augmented Generation (RAG)**: הגישה המוצלחת ביותר, ה«קושרת» את המודל לידע חיצוני. לפני יצירת התשובה, המודל מקבל מידע רלוונטי ממסד נתונים, ממנוע חיפוש או מ-API. הדבר מאפשר למודל לבסס את תשובתו על נתונים מאומתים ולא על ניחושים<sup>[\[2\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-astera-guide-2)</sup>.
- **שרשרות היסק (Chain-of-Thought) ואימות עצמי**: המודל מייצר תחילה היסק שלב-אחר-שלב לפני מתן התשובה הסופית, מה שמשפר את הדיוק. בשיטות מתקדמות יותר כגון **Self-Verification**, המודל מייצר טיוטת תשובה ולאחר מכן מקבל משימה לבדוק אותה ולתקנה<sup>[\[14\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-rag-cove-paper-14)</sup>.
- **כללים ומסננים מובנים**: המודלים מאומנים לסרב לתשובה כאשר אינם בטוחים. לדוגמה, מודלי Claude של Anthropic עוקבים אחר עיקרון «האמיתיות» ולעיתים קרובות משיבים «אינני יודע בוודאות...», במקום להמציא עובדות<sup>[\[11\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-chatgpt-comparison-11)</sup>.
- **שילוב עם כלים חיצוניים**: מודלים כגון Gemini יכולים לזהות אוטומטית מתי הם זקוקים לכלי חיצוני (כגון מחשבון לחישובים או חיפוש לחדשות עדכניות) ולהשתמש בו, מה שמפחית משמעותית את כמות ההזיות<sup>[\[11\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-chatgpt-comparison-11)</sup>.

## סיכונים ותוצאות

- **סיכונים משפטיים ותדמיתיים**: בתחום המשפטי עלולות להיות להזיות השלכות חמורות. המקרה הידוע **Mata v. Avianca (2023)** עסק בעורך דין שהשתמש ב-ChatGPT לאיתור תקדימי בית משפט, והמודל המציא מספר תיקים שאינם קיימים. עורכי הדין נקנסו והמקרה הפך לשיעור בדבר הפסול שבמתן אמון ב-AI ללא בדיקה<sup>[\[1\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-lakera-guide-1)</sup>.
- **הפצת מידע כוזב**: ברמה החברתית, מודלי LLM עלולים להחמיר את בעיית חדשות הפייק. ידוע המקרה של מודל **Galactica** של Meta, שנוצר לסייע למדענים אך החל לייצר טקסטים פסאודו-מדעיים עם ניסויים והפניות בדויים. לאחר שלושה ימים נסגרה הגישה הציבורית למודל<sup>[\[15\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-galactica-failure-15)</sup>.
- **קבלת החלטות שגויות**: משתמשים, בפרט חסרי ניסיון, נוטים לתת אמון בתשובות AI המנוסחות בביטחון, מה שעלול להוביל לקבלת החלטות שגויות בתחומי הכספים, הרפואה ותחומים קריטיים אחרים<sup>[\[7\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-quickcreator-tips-7)</sup>.

## דוגמאות מהמעשה

- **מקרה Air Canada (2023)**: הצ'אט-בוט של חברת התעופה המציא מדיניות החזר כרטיסים שאינה קיימת. כאשר הלקוח דרש ליישמה, החברה סירבה. בית הדין לתחבורה של קנדה חייב את Air Canada לשאת באחריות למידע שסיפק הצ'אט-בוט שלה ולפצות את הלקוח<sup>[\[9\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-evidently-blog-9)</sup>.
- **תביעת דיבה נגד OpenAI (2023)**: מגיש תוכנית הרדיו מארק וולטרס הגיש תביעה נגד OpenAI בשל כך ש-ChatGPT האשים אותו בתגובה לפנייה של עיתונאי בהונאה באופן שקרי. מקרה זה הדגיש את האחריות המשפטית של חברות על תוכן המיוצר על ידי המודלים שלהן<sup>[\[6\]](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_note-nexla-guide-6)</sup>.

## קישורים חיצוניים

- The Beginner's Guide to Hallucinations in Large Language Models — מדריך מפורט מאת Lakera
- Survey of Hallucination in Natural Language Generation — סקירה מדעית של התופעה ב-arXiv

## ספרות

- 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.

## הערות

1.  <span id="cite_note-lakera-guide-1">↑ <sup>[1.0](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_ref-lakera-guide_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_ref-lakera-guide_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_ref-lakera-guide_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_ref-lakera-guide_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_ref-lakera-guide_1-4)</sup> <sup>[1.5](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_ref-lakera-guide_1-5)</sup> <sup>[1.6](https://systems-analysis.info/int/LLM_hallucinations_(HE)#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/LLM_hallucinations_(HE)#cite_ref-astera-guide_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_ref-astera-guide_2-1)</sup> <sup>[2.2](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_ref-astera-guide_2-2)</sup> <sup>[2.3](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_ref-astera-guide_2-3)</sup> <sup>[2.4](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_ref-astera-guide_2-4)</sup> <sup>[2.5](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_ref-astera-guide_2-5)</sup> <sup>[2.6](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_ref-astera-guide_2-6)</sup> <sup>[2.7](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_ref-astera-guide_2-7)</sup> <sup>[2.8](https://systems-analysis.info/int/LLM_hallucinations_(HE)#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/LLM_hallucinations_(HE)#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/LLM_hallucinations_(HE)#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/LLM_hallucinations_(HE)#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/LLM_hallucinations_(HE)#cite_ref-nexla-guide_6-0)</sup> <sup>[6.1](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_ref-nexla-guide_6-1)</sup> <sup>[6.2](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_ref-nexla-guide_6-2)</sup> <sup>[6.3](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_ref-nexla-guide_6-3)</sup> <sup>[6.4](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_ref-nexla-guide_6-4)</sup> <sup>[6.5](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_ref-nexla-guide_6-5)</sup> <sup>[6.6](https://systems-analysis.info/int/LLM_hallucinations_(HE)#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/LLM_hallucinations_(HE)#cite_ref-quickcreator-tips_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/LLM_hallucinations_(HE)#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/LLM_hallucinations_(HE)#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/LLM_hallucinations_(HE)#cite_ref-evidently-blog_9-0)</sup> <sup>[9.1](https://systems-analysis.info/int/LLM_hallucinations_(HE)#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/LLM_hallucinations_(HE)#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/LLM_hallucinations_(HE)#cite_ref-chatgpt-comparison_11-0)</sup> <sup>[11.1](https://systems-analysis.info/int/LLM_hallucinations_(HE)#cite_ref-chatgpt-comparison_11-1)</sup> <sup>[11.2](https://systems-analysis.info/int/LLM_hallucinations_(HE)#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/LLM_hallucinations_(HE)#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/LLM_hallucinations_(HE)#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/LLM_hallucinations_(HE)#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/LLM_hallucinations_(HE)#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>