शोधकर्ताओं ने हॉल्युसिनेशन सेल्फ-प्ले (HSP) पेश किया, एक फ्रेमवर्क जो एक हॉल्युसिनेशन डिटेक्टर को विकसित जनरेटर का उपयोग करके बूटस्ट्रैप करने की अनुमति देता है। विधि उच्च गुणवत्ता वाले एनोटेटेड डेटा की कमी को समाधान करती है, जनरेटर को स्थिर मानने के बजाय पुनरावृत्त सुधार को सक्षम बनाकर।
फ्रेमवर्क दोनों भूमिकाओं को एक ही बेस मॉडल से प्रारंभ करता है: विश्वसनीयता का आकलन करने वाला एक डिटेक्टर और कठिन-से-पता लगाने योग्य हॉल्युसिनेशन उत्पन्न करने वाला एक जनरेटर। डिटेक्टर को मानव-लेबल वाले डेटा पर फाइन-ट्यून्ड किया जाता है और AI फीडबैक से रीइंफोर्समेंट लर्निंग (RLAIF) के माध्यम से जनरेटर को प्रशिक्षित करने के लिए एक पुरस्कार मॉडल के रूप में उपयोग किया जाता है। विकसित जनरेटर फिर नियम-आधारित रीइंफोर्समेंट लर्निंग के माध्यम से डिटेक्टर को और अनुकूलित करने के लिए हॉल्युसिनेशन डेटा का संश्लेषण करता है।
RAGTruth बेंचमार्क पर प्रयोग दिखाते हैं कि HSP एक छोटी LLM को धीरे-धीरे बढ़ा सकता है ताकि वह बाहरी निगरानी के बिना उन्नत LLMs के बराबर या बेहतर हो सके।