刚刚发布了 Dingo 1.9.0，为 RAG 时代的数据质量评估带来了重大升级。 主要更新： 🔍 增强的幻觉检测 Dingo 1.9.0 集成了两种强大的幻觉检测方法：

HHEM-2.1-Open 本地模型（推荐） - 本地运行，无需 API 费用
基于 GPT 的云检测 - 利用 OpenAI 模型进行详细分析

两者均通过一致性评分（ 0.0-1.0 范围，可配置阈值）评估大语言模型生成的答案与提供上下文的匹配度。 ⚙️ 配置系统全面升级 采用现代 DevOps 实践完全重构：

层次继承（项目 → 用户 → 系统级别）
支持热重载，配置更改即时生效
带清晰错误提示的模式验证
通用场景的模板系统

📚 DeepWiki 文档问答 将静态文档转化为交互式知识库：

支持多语言（英语/中文/日语）
上下文感知的多轮对话
可视化文档结构解析
语义导航和跨文档引用

重要性： 传统的幻觉检测依赖静态规则。我们的方法提供上下文感知的验证，适用于生产环境 RAG 系统、SFT 数据质量评估和实时大语言模型输出验证。 非常适合：

RAG 系统质量监控
训练数据预处理
企业知识管理
多模态数据评估

GitHub： https://github.com/MigoXLab/dingo 文档： https://deepwiki.com/MigoXLab/dingo 你目前使用哪些幻觉检测方法？对你的 RAG 质量挑战感兴趣！