大型语言模型时常会生成表达流畅但与事实不符的回答，这种“幻觉”现象持续引发人们对其可靠性的担忧。近年来，幻觉检测器越来越倾向于利用模型的内部表示来识别这类错误，然而，如何从高维隐藏状态中提取出有信息量的信号，仍是一项颇具挑战的工作。现有的方法往往依赖被选定的激活值，或者基于池化的压缩手段，这可能会遗漏分布在 Transformer 各层、各特征模式以及各个 token 之上的、具有判别力的信息。
针对这一问题，作者提出了一种名为 LOTUS（Low-rank Order-statistic TUcker-based Subspace learning，低秩顺序统计量 Tucker 子空间学习）的多线性低秩分解框架，用于幻觉检测。该方法能够从 LLM 的隐藏状态中提取紧凑的表示，同时降低对标注数据的依赖。
LOTUS 的处理流程分为两个主要阶段。首先，它使用互补的统计描述符来概括变长 token 的表示，这些描述符分别捕捉峰值激活、激活分布以及跨层变化等信息。随后，该方法借助低秩多线性分解提取紧凑表示，以刻画 LLM 隐藏状态的内在结构。这些表示随后被用于训练一个轻量级的幻觉分类器。
作者在多个 LLM 和问答基准上进行了实验，结果显示，与近期最先进的基线方法相比，LOTUS 在幻觉检测性能上有所提升。
该论文由 Devansh Sharma 及另外两位作者共同完成，共 26 页、含 3 幅图，并提供了代码链接。论文于 2026 年 10 月 26 日提交，属于 arXiv 的 cs.CL（计算与语言）分类，同时也涉及 cs.LG（机器学习）方向。论文编号为 arXiv:2610.36191v1，DOI 为 https://doi.org/10.48550/arXiv.2610.36191，由 arXiv 通过 DataCite 发放（注册尚待完成）。提交记录显示，第一作者为 Devansh Sharma，v1 版本于 2026 年 10 月 26 日星期一 19:24:13 UTC 提交，文件大小约 349 KB。读者可通过 PDF、实验性 HTML 以及 TeX 源码等形式获取全文，并可使用音频摘要等附加功能。