[فارسی]

01 مقدمه
01-01 درک تکنیک های زمینی برای LLM
01-02 راه اندازی محیط LLM خود

02 توهمات پایه LLM
02-01 توهم چیست؟
02-02 نمونه های توهم
02-03 مقایسه توهمات در LLMها
02-04 خطرات توهم
02-05 چالش: یافتن توهم
02-06 راه حل: یافتن توهم

03 انواع توهم
03-01 آموزش LLM در مورد داده های حساس به زمان
03-02 داده های آموزشی ضعیف است
03-03 وفاداری و زمینه
03-04 پاسخ های مبهم
03-05 ساختار خروجی نادرست
03-06 امتناع از پاسخ
03-07 توهمات تنظیم دقیق
03-08 تکنیک‌ها و تنظیمات نمونه‌گیری LLM
03-09 نقل قول های بد
03-10 استخراج اطلاعات ناقص

04 کاهش توهم
04-01 یادگیری چند شات
04-02 استدلال زنجیره ای فکری
04-03 الگوهای ساخت یافته
04-04 نسل افزوده شده بازیابی
04-05 به روز رسانی نسخه های مدل LLM
04-06 تنظیم دقیق مدل برای کاهش توهم
04-07 تنظیم گردش کار از طریق مسیریابی مدل
چالش 04-08: بررسی خودکار تجارت الکترونیک با LLM
04-09 راه حل: بررسی خودکار تجارت الکترونیک با LLM

05 تشخیص توهم
05-01 ایجاد خطوط لوله ارزیابی LLM
خطوط لوله خود ارزیابی LLM 05-02
05-03 سیستم های انسان در حلقه
05-04 مدل های تخصصی تشخیص توهم
05-05 ساخت مجموعه داده ارزیابی
05-06 بهینه سازی درخواست ها با DSPY
05-07 بهینه سازی تشخیص توهم با DSPY
05-08 آزمایش کاربر LLM در دنیای واقعی
چالش 05-09: یک عامل چیزهای بی اهمیت هوش مصنوعی
05-10 راه حل: یک عامل چیزهای بی اهمیت هوش مصنوعی

06 بررسی مقاله توهم
06-01 راگاس: مقاله ارزشیابی
06-02 توهم در مدل های بزرگ ترجمه چند زبانه
06-03 آیا LLM ها چیزهایی را می دانند که نمی دانند؟
06-04 ساعت را تنظیم کنید: تنظیم دقیق زمانی LLM
06-05 بررسی مقالات توهم

07 نتیجه گیری
07-01 به تمرین خود در زمینه تکنیک های زمینی برای LLM ادامه دهید

[ENGLISH]

01 Introduction
01-01 Understanding grounding techniques for LLMs
01-02 Setting up your LLM environment

02 Basic LLM Hallucinations
02-01 What is a hallucination?
02-02 Hallucination examples
02-03 Comparing hallucinations across LLMs
02-04 Dangers of hallucinations
02-05 Challenge: Finding a hallucination
02-06 Solution: Finding a hallucination

03 Types of Hallucinations
03-01 Training LLMs on time-sensitive data
03-02 Poorly curated training data
03-03 Faithfulness and context
03-04 Ambiguous responses
03-05 Incorrect output structure
03-06 Declining to respond
03-07 Fine-tuning hallucinations
03-08 LLM sampling techniques and adjustments
03-09 Bad citations
03-10 Incomplete information extraction

04 Mitigating Hallucinations
04-01 Few-shot learning
04-02 Chain of thought reasoning
04-03 Structured templates
04-04 Retrieval-augmented generation
04-05 Updating LLM model versions
04-06 Model fine-tuning for mitigating hallucinations
04-07 Orchestrating workflows through model routing
04-08 Challenge: Automating ecommerce reviews with LLMs
04-09 Solution: Automating ecommerce reviews with LLMs

05 Detecting Hallucinations
05-01 Creating LLM evaluation pipelines
05-02 LLM self-assessment pipelines
05-03 Human-in-the-loop systems
05-04 Specialized models for hallucination detection
05-05 Building an evaluation dataset
05-06 Optimizing prompts with DSPY
05-07 Optimizing hallucination detections with DSPY
05-08 Real-world LLM user testing
05-09 Challenge: A more well-rounded AI trivia agent
05-10 Solution: A more well-rounded AI trivia agent

06 Hallucination Paper Review
06-01 Ragas: Evaluation paper
06-02 Hallucinations in large multilingual translation models
06-03 Do LLMs know what they don’t know?
06-04 Set the Clock: LLM temporal fine-tuning
06-05 Review of hallucination papers

07 Conclusion
07-01 Continue your practice of grounding techniques for LLMs