Sous-types fins d'hallucination (mauvaise attribution, refus assuré, contradiction, précision inventée)
Comprendre
« Hallucination » couvre plusieurs erreurs : mauvaise attribution, refus assuré, contradiction, détail inventé.
« Hallucination » n’est pas une seule défaillance : le même mécanisme « prédire du texte plausible » produit mauvaises attributions, faux refus, contradictions et précision inventée.
Tester
une citation est attribuée au mauvais auteur ; « c’est faux » est asséné sur un fait vrai ; deux affirmations incompatibles coexistent ; au ④, une validation sous pression réintroduit une erreur corrigée.
Faites nommer le type d’erreur sur toute réponse suspecte (attribution ? négation ? contradiction ? invention ?) : classer l’hallucination, c’est apprendre à la reconnaître avant qu’elle ne coûte. L’entraînement récompense la réponse plutôt que l’exactitude — d’où ces sous-types.
Note technique, mémoire, compte rendu : distinguez le fait inventé (attribution, date, référence) du raisonnement fautif — les deux se corrigent différemment. La règle du banc, complétée : un DOI doit résoudre vers le bon titre — et le fait cité doit appartenir à la source citée. La seconde condition est la plus difficile à contrôler : un fait vrai mais attribué à la mauvaise source (mauvais auteur, mauvaise juridiction, mauvaise édition) passe tous les contrôles de fidélité, précisément parce qu’il est vrai quelque part dans le contexte. Aucun juge automatique ne le détecte. Vérifiez l’attribution, pas seulement l’existence (ProvenanceGuard, 2026).
Prévenir
- › attribuez chaque affirmation.
- › autorisez « je ne sais pas ».
- › cherchez les auto-contradictions.
- › Contrôle résiduel : vérifier attributions, dates et détails fins ; signaler toute affirmation non sourcée.
Référence
Preuve B (préprint — pas encore relu par les pairs) — Why Language Models Hallucinate (Kalai et al., OpenAI 2025) arxiv.org/abs/2509.04664
Ce qu’elle établit — pourquoi les modèles hallucinent : l’entraînement et l’évaluation récompensent la réponse plutôt que l’abstention calibrée (OpenAI, préprint).