Mojdeh Rahmanian, Foutse Khomh, Ashkan Sami, Yanchao Yu · 2026 · arXiv
DOI: 10.48550/arXiv.2610.30946 · open-access PDF
Große Sprachmodelle (LLMs) können UML-Klassendiagramme aus natürlichen Sprachanforderungen erzeugen, aber Halluzinationen können die Richtigkeit und Vollständigkeit der resultierenden Diagramme beeinträchtigen. Bestehende Bewertungen bewerten meistens das endgültige Diagramm, ohne die Zwischenspuren von begründungsfähigen LLMs zu untersuchen, die aufdecken können, wo diese Halluzinationen entstehen. Wir entwickeln eine empirische Taxonomie von elf Halluzinationsuntertypen, die in drei Dimensionen organisiert sind: Prompt Faithfulness (Abweichungen zwischen Anforderungen und Begründung), Code Faithfulness (Abweichungen zwischen Begründung und erzeugtem P
Machine translation (Meta M2M100); the English original follows.
Large Language Models (LLMs) can generate UML class diagrams from natural language requirements, but hallucinations may compromise the correctness and completeness of the resulting diagrams. Existing evaluations mostly assess the final diagram, without examining the intermediate traces of reasoning-capable LLMs, which can reveal where these hallucinations arise. We develop an empirical taxonomy of eleven hallucination sub-types organised into three dimensions: Prompt Faithfulness (deviations between requirements and reasoning), Code Faithfulness (discrepancies between reasoning and generated P
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=2610.30946, 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