Newest papers

Tracing Hallucinations in LLM Reasoning for UML Class Diagram Generation: An Empirical Taxonomy and Mitigation Study

Mojdeh Rahmanian, Foutse Khomh, Ashkan Sami, Yanchao Yu · 2026 · arXiv

DOI: 10.48550/arXiv.2610.30946 · open-access PDF

Russian

Большие языковые модели (LLM) могут генерировать диаграммы классов UML из требований естественного языка, но галлюцинации могут компрометировать правильность и полноту полученных диаграмм. Существующие оценки в основном оценивают конечную диаграмму, не исследуя промежуточные следы умеющих рассуждать LLM, которые могут раскрыть, где возникают эти галлюцинации. Мы разрабатываем эмпирическую таксономию одиннадцати подтипов галлюцинаций, организованных в три измерения: Быстрая верность (отклонения между требованиями и рассуждениямительностью), Код верность (несовпадения между рассуждением и генерируемым P

Machine translation (Meta M2M100); the English original follows.

Abstract

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

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange