Kardelen Subasi, Jarosław A. Chudziak · 2026 · arXiv
DOI: 10.48550/arXiv.2610.29669 · open-access PDF
Les enregistrements générés par LLM peuplent de plus en plus les systèmes d'information de production où ils sont traités comme des actifs de données soumis aux mêmes attentes de qualité que les enregistrements des bases de données opérationnelles. Un seul tel enregistrement peut simultanément satisfaire et violer une règle de qualité: un fait fondé adjacent à une hallucination, une réponse utile adjacente à un stéréotype. Le nettoyage de données classique ne peut pas résoudre cela parce que les deux jugements sont incompatibles sur la même période; un seul juge LLM ne peut pas non plus, car il partage les préjugés de formation qui ont produit le conflit.
Machine translation (Meta M2M100); the English original follows.
LLM-generated records increasingly populate production information systems where they are treated as data assets subject to the same quality expectations as records from operational databases. A single such record can simultaneously satisfy and violate a quality rule: a grounded fact adjacent to a hallucination, a useful answer adjacent to a stereotype. Classical data cleaning cannot resolve this because the two judgments are incompatible over the same span; a single LLM judge cannot either, since it shares the training biases that produced the conflict. Existing interventions such as prompt e
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.29669, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange