TruthFlow：通过表征流修正实现 LLM 的真实生成

基于摘要分析。该研究针对 LLM 难以持续生成真实回答的问题，提出 TruthFlow：利用 Flow Matching 学习针对不同查询的表征修正，将幻觉状态的表征转向真实状态，并在推理时生成修正向量以改善输出真实性。其主要研究对象是 LLM 的开放式文本生成，而非 EEG 解码或 BCI。 机制上，摘要将现有部分表征干预方法概括为对所有查询应用统一修正向量；TruthFlow 则通过流模型学习查询特定的修正，使干预随输入变化。摘要未说明幻觉与真实表征如何获取、是否需要配对样本、干预位置、训练目标的具体形式及推理开销，这些实现条件尚未验证。 作者报告，在 TruthfulQA 的开放式生成评估中，TruthFlow 改善了多种先进 LLM 的表现，并能迁移至训练时未见的其他幻觉评估基准。摘要未提供具体模型名称、基准名称、数据划分、对照方法、真实性指标或数值，因此尚不能判断提升幅度、迁移边界及统计可靠性；实验协议、消融及统计信息尚未验证。 当前材料没有建立文本真实性表征与 EEG/BCI 信号表征之间的具体对应关系，不应将其结果解释为 BCI 算法有效性的证据，也不据此提出 EEG 复现实验。已有 EEG 相关工作尚未检索确认。