SLED

不训练不微调,用模型自己纠正自己,让回答更靠谱

SLED 是一种用于提升大语言模型事实准确性的解码策略,通过自我逻辑演化(Self Logits Evolution)在生成过程中动态调整输出概率分布,减少幻觉内容。它无需额外训练或外部知识库,仅利用模型自身的逻辑信号进行迭代优化,从而在保持流畅性的同时提高回答的事实性。核心能力包括:即插即用,兼容主流LLM;通过对比候选token的置信度来修正错误倾向;在开放域问答和事实性基准测试中显著降低幻觉率。适用于对回答可靠性要求高的场景,如医疗咨询、法律问答等。

开源 free 开源模型
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 123
维护状态 低维护
是否开源 是
定价模式 free

项目数据

分类开源模型
开发团队JayZhang42
所属国家
定价模式free
价格说明开源项目,无在线服务,需自行部署,完全免费。
访问状态
是否开源是
开源协议
主要语言Python
技术栈/模型decoding,factuality,google,large-language-models,llama,llama2,llama3,llm,llm-inference,meta,openai
GitHub 星标★ 123
30天Star增速
HF 下载量
上线时间2024-11-26 00:00:00
最近更新2026-07-27 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数3

使用教程

核心亮点

  • 无需训练或微调,直接应用于现有模型,部署成本低
  • 显著降低幻觉率,在FactScore等基准上提升明显
  • 与多种模型(如Llama、Mistral)兼容,通用性强

不足之处

  • 解码过程计算开销增加,生成速度变慢
  • 对长文本生成的效果提升有限,可能引入重复
  • 文档/社区待观察

适用场景

  • 开放域问答系统,需提高回答事实性
  • 医疗、法律等专业领域的信息生成
  • 智能客服或知识助手,减少错误信息传播

替代项目

DoLa、ITI (Inference-Time Intervention)、TruthfulQA

项目介绍

SLED 是模型训练领域的开源项目,由 JayZhang42 开发,2024 年首次发布。

它收录于模型训练分类,该分类目前共有 522 个项目,GitHub 星标数为 123。

项目已超过三个月没有代码更新,维护节奏明显放缓,最近一次代码更新于 2026-07-27。无在线服务,需自行部署,完全免费。

它主要面向的使用场景是:开放域问答系统,需提高回答事实性。同类可对比的替代方案包括 DoLa、ITI (Inference-Time Intervention)、TruthfulQA。

上一篇:deita

下一篇:HALC

同类项目推荐

Long-RL 开源

让强化学习轻松驾驭超长序列,训练更稳更快

Long-RL: Scaling RL to Long Sequences (NeurIPS 2025)

★ 729 2026-08-09
TPA 开源

把注意力复杂度从平方降到线性,长序列不再卡顿

[NeurIPS 2025 Spotlight] TPA: Tensor ProducT ATTenTion Transformer (https://arxiv.or···

★ 463 2026-08-09
minimind 开源

两小时造出你的小模型,练手入门不求人

Train a 64M-parameter LLM from scratch in just 2h!

★ 62178 2026-08-09
pruna 开源

一键优化 AI 模型,推理提速又省资源。

Pruna is a model optimization framework built for developers, enabling you to delive···

★ 1286 2026-08-13