大型語言模型時常會生成表達流暢但與事實不符的回答，這種“幻覺”現象持續引發人們對其可靠性的擔憂。近年來，幻覺檢測器越來越傾向於利用模型的內部表示來識別這類錯誤，然而，如何從高維隱藏狀態中提取出有資訊量的訊號，仍是一項頗具挑戰的工作。現有的方法往往依賴被選定的啟用值，或者基於池化的壓縮手段，這可能會遺漏分佈在 Transformer 各層、各特徵模式以及各個 token 之上的、具有判別力的資訊。
針對這一問題，作者提出了一種名為 LOTUS（Low-rank Order-statistic TUcker-based Subspace learning，低秩順序統計量 Tucker 子空間學習）的多線性低秩分解框架，用於幻覺檢測。該方法能夠從 LLM 的隱藏狀態中提取緊湊的表示，同時降低對標註資料的依賴。
LOTUS 的處理流程分為兩個主要階段。首先，它使用互補的統計描述符來概括變長 token 的表示，這些描述符分別捕捉峰值啟用、啟用分佈以及跨層變化等資訊。隨後，該方法藉助低秩多線性分解提取緊湊表示，以刻畫 LLM 隱藏狀態的內在結構。這些表示隨後被用於訓練一個輕量級的幻覺分類器。
作者在多個 LLM 和問答基準上進行了實驗，結果顯示，與近期最先進的基線方法相比，LOTUS 在幻覺檢測效能上有所提升。
該論文由 Devansh Sharma 及另外兩位作者共同完成，共 26 頁、含 3 幅圖，並提供了程式碼連結。論文於 2026 年 10 月 26 日提交，屬於 arXiv 的 cs.CL（計算與語言）分類，同時也涉及 cs.LG（機器學習）方向。論文編號為 arXiv:2610.36191v1，DOI 為 https://doi.org/10.48550/arXiv.2610.36191，由 arXiv 透過 DataCite 發放（註冊尚待完成）。提交記錄顯示，第一作者為 Devansh Sharma，v1 版本於 2026 年 10 月 26 日星期一 19:24:13 UTC 提交，檔案大小約 349 KB。讀者可透過 PDF、實驗性 HTML 以及 TeX 原始碼等形式獲取全文，並可使用音訊摘要等附加功能。