刚刚发布了 Dingo 1.9.0，为 RAG 时代的数据质量评估带来了重大升级。
主要更新：
🔍 增强的幻觉检测
Dingo 1.9.0 集成了两种强大的幻觉检测方法：
- HHEM-2.1-Open 本地模型（推荐） - 本地运行，无需 API 费用
- 基于 GPT 的云检测 - 利用 OpenAI 模型进行详细分析
两者均通过一致性评分（ 0.0-1.0 范围，可配置阈值）评估大语言模型生成的答案与提供上下文的匹配度。
⚙️ 配置系统全面升级
采用现代 DevOps 实践完全重构：
- 层次继承（项目 → 用户 → 系统级别）
- 支持热重载，配置更改即时生效
- 带清晰错误提示的模式验证
- 通用场景的模板系统
📚 DeepWiki 文档问答
将静态文档转化为交互式知识库：
- 支持多语言（英语/中文/日语）
- 上下文感知的多轮对话
- 可视化文档结构解析
- 语义导航和跨文档引用
重要性：
传统的幻觉检测依赖静态规则。我们的方法提供上下文感知的验证，适用于生产环境 RAG 系统、SFT 数据质量评估和实时大语言模型输出验证。
非常适合：
- RAG 系统质量监控
- 训练数据预处理
- 企业知识管理
- 多模态数据评估
GitHub： https://github.com/MigoXLab/dingo
文档： https://deepwiki.com/MigoXLab/dingo
你目前使用哪些幻觉检测方法？对你的 RAG 质量挑战感兴趣！
目前尚无回复
Select Language