Le corpus de base reste intact. Ce delta corrige d’abord le niveau de preuve d’un résultat déjà présent : l’argument de Kalai et al. sur les incitations à deviner dispose désormais d’une version de référence évaluée par les pairs dans Nature. Il ajoute ensuite une étude PNAS qui dissocie plus finement fréquence des faits, calibration et hallucination.
La séparation canonique reste inchangée : M1/M2/M3 ↛ M5. Calibration, abstention et taux d’hallucination sont des propriétés fonctionnelles dépendantes du régime expérimental ; aucune ne constitue un indicateur phénoménal autonome.
La thèse déjà intégrée au corpus — préentraînement statistique + évaluations qui récompensent la tentative plutôt que l’abstention — possède une version de référence publiée dans Nature, volume 653, pages 1047–1051.
Correction de statut, pas nouveau verdict : l’article ne prétend pas que toute hallucination provient d’un seul mécanisme.
Miao & Kearns testent empiriquement le lien entre monofacts, miscalibration et hallucination. Dans leurs expériences contrôlées, une upweighting sélective d’aussi peu que 5 % des exemples réduit l’hallucination jusqu’à 40 % sans sacrifier l’exactitude pré-injection.
Le résultat est expérimental et distribution-dépendant ; il ne constitue pas une recette générale pour les modèles déployés.
Le corpus du 13 septembre citait encore Why Language Models Hallucinate comme source OpenAI / prépublication. La version de référence évaluée par les pairs est désormais explicitement distinguée : Evaluating large language models for accuracy incentivizes hallucinations, Nature, publiée le 22 avril 2026.
À capacité donnée, une évaluation où « faux » et « je ne sais pas » valent pareil crée une incitation statistique à tenter une réponse. Les auteurs proposent des rubriques ouvertes qui rendent explicites les pénalités d’erreur et permettent au modèle de moduler son abstention selon les enjeux.
Kalai et al. · DOI 10.1038/s41586-026-10549-wLe résultat éclaire l’origine et la persistance d’une classe d’hallucinations ; il n’abolit ni les erreurs de retrieval, ni les raccourcis d’inférence, ni les problèmes de grounding, ni les autres mécanismes déjà séparés dans CONFAB.
Construire des régimes contrôlés de fréquence factuelle, varier l’upweighting sélectif et mesurer séparément hallucination, exactitude et calibration.
À modèle et questions constants, varier explicitement la pénalité de l’erreur par rapport à l’abstention ; mesurer answer rate, abstention, erreurs et calibration.
Version de référence évaluée par les pairs de la ligne de recherche déjà citée en 2025 ; préentraînement, guessing incentives, open-rubric evaluation et abstention.
DOI 10.1038/s41586-026-10549-wValidation empirique contrôlée de la relation monofacts–miscalibration–hallucination ; upweighting sélectif et dissociation entre calibration et taux d’hallucination.
DOI 10.1073/pnas.2533582123