---
title: "AI हैलुसिनेशन क्या है? LLM बातें क्यों गढ़ते हैं | BroadRouter"
description: "हैलुसिनेशन, LLM का धाराप्रवाह लेकिन ग़लत या बिना आधार वाला कथन है। मॉडल \"मुझे नहीं पता\" कहने के बजाय अंदाज़ा क्यों लगाते हैं, और ऐप में इसे कैसे घटाएँ।"
url: https://broadrouter.com/hi/glossary/hallucination/
lang: hi
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

यह पेज अंग्रेज़ी से AI की मदद से अनुवाद किया गया है। [अंग्रेज़ी मूल पढ़ें](https://broadrouter.com/glossary/hallucination/) (2026-11-14 को अपडेट किया गया).

# हैलुसिनेशन (hallucination)

अपडेट किया गया 2026-11-14

हैलुसिनेशन, लैंग्वेज मॉडल का ऐसा आउटपुट है जो सुनने में सही लगता है लेकिन ग़लत, गढ़ा हुआ या दिए गए इनपुट से असमर्थित होता है, जैसे नक़ली हवाला, ग़लत संख्या या मनगढ़ंत API। यह इसलिए होता है क्योंकि मॉडल तथ्य जाँचने के बजाय संभावित टेक्स्ट का अनुमान लगाता है।

अन्य नाम: हैलुसिनेशन, AI हैलुसिनेशन, मनगढ़ंत जवाब, AI hallucination kya hai, hallucination kya hota hai, hallucination, AI hallucination, LLM hallucination, confabulation

हैलुसिनेशन बिल्कुल सही जवाब जैसा ही पढ़ा जाता है। यही उसे महँगा बनाता है।

## यह कैसे होता है

लैंग्वेज मॉडल अपनी ट्रेनिंग और प्रॉम्प्ट के आधार पर सबसे संभावित अगले टोकन लिखता है। इस लूप में कुछ भी किसी तथ्य को असली दुनिया से नहीं मिलाता। जब मॉडल के पास जवाब नहीं होता, तब भी एक सही-सा दिखने वाला जवाब मौजूद रहता है।

Kalai और साथी 2025 के एक पेपर में तर्क देते हैं कि हैलुसिनेशन इसलिए बने रहते हैं क्योंकि “training and evaluation procedures reward guessing over acknowledging uncertainty” (अनुवाद: ट्रेनिंग और मूल्यांकन की प्रक्रियाएँ अनिश्चितता मानने के बजाय अंदाज़ा लगाने को इनाम देती हैं)। ज़्यादातर बेंचमार्क सही अंदाज़े पर अंक देते हैं और जवाब न देने पर कुछ नहीं, इसलिए मॉडल अच्छे परीक्षार्थी बनने के लिए ट्यून होते हैं। वे इन ग़लतियों की जड़ एक सांख्यिकीय कारण में भी देखते हैं: अगर मॉडल सही और ग़लत कथनों में भरोसे से फ़र्क़ नहीं कर पाता, तो प्रीट्रेनिंग ग़लत कथन भी बनाएगी।

API के काम में आम रूप:

-   गढ़े हुए हवाले, URL या उद्धरण
-   सही दस्तावेज़ के सारांश में ग़लत आँकड़े
-   ऐसे API मेथड या पैरामीटर जो मौजूद ही नहीं
-   ऐसे सवालों के जवाब जिन्हें दिया गया कॉन्टेक्स्ट कवर नहीं करता

## यह क्यों मायने रखता है

नुक़सान आगे जाकर होता है: रिफ़ंड पॉलिसी गढ़ने वाला सपोर्ट बॉट, ग़लत जोड़ वाली रिपोर्ट, ग़ायब फ़ंक्शन को कॉल करने वाला कोड। इसकी तुलना में उपाय सस्ते हैं:

-   **जवाब को आधार दें.** स्रोत टेक्स्ट प्रॉम्प्ट में रखें या [RAG](https://broadrouter.com/hi/glossary/rag/) से निकालें। Lewis और साथियों ने retrieval-augmented generation को सिर्फ़ पैरामीट्रिक बेसलाइन से ज़्यादा “factual” (अनुवाद: तथ्यपरक) पाया। [grounding](https://broadrouter.com/hi/glossary/grounding/) देखें।
-   **“मुझे नहीं पता” की छूट दें.** Anthropic अनिश्चितता मानने की साफ़ अनुमति को एक बुनियादी क़दम बताता है।
-   **उद्धरण माँगें, फिर जाँचें.** मॉडल से हर दावे के लिए समर्थन करने वाला उद्धरण माँगें और बिना उद्धरण वाले दावे हटा दें।
-   **मापें.** ऐसे सवालों वाला [eval](https://broadrouter.com/hi/glossary/eval/) बनाएँ जिनका जवाब कॉन्टेक्स्ट में नहीं है, और देखें कि मॉडल कितनी बार जवाब गढ़ता है। जहाँ API [logprobs](https://broadrouter.com/hi/glossary/logprobs/) लौटाता है, वहाँ ये कम भरोसे वाले जवाबों को चिह्नित कर सकते हैं।
-   **कोड में जाँचें.** जोड़, तारीख़ें और ID बिना मॉडल के जाँचे जा सकते हैं।

[temperature](https://broadrouter.com/hi/glossary/temperature/) कम करने से लंबे टेक्स्ट में भटकाव घटता है, आत्मविश्वास भरी ग़लतियाँ नहीं।

## BroadNet Inference पर

BroadNet के डॉक्स अपने मॉडल के हैलुसिनेशन रेट प्रकाशित नहीं करते और कोई guardrails या फ़ैक्ट-चेकिंग सुविधा सूचीबद्ध नहीं करते, इसलिए ये नियंत्रण आपके ऐप्लिकेशन में रहते हैं। बड़ा कॉन्टेक्स्ट जवाब को आधार देने में मदद करता है: DeepSeek V4.1 Flash और GLM 5.3 प्रति अनुरोध 1,048,576 टोकन लेते हैं, जो पूरे स्रोत दस्तावेज़ शामिल करने के लिए काफ़ी है। अरबी retrieval पाइपलाइन के लिए [अरबी RAG](https://broadrouter.com/hi/blog/arabic-rag-search/) देखें; निकाले गए फ़ील्ड को इमेज से मिलाने के लिए [इनवॉइस गाइड](https://broadrouter.com/hi/guides/read-arabic-invoices-with-vision/) देखें।

## अक्सर पूछे जाने वाले सवाल

### LLM हैलुसिनेट क्यों करते हैं?

उन्हें संभावित टेक्स्ट बनाने के लिए ट्रेन किया जाता है, और Kalai व साथियों का तर्क है कि ट्रेनिंग और बेंचमार्क अनिश्चितता मानने के बजाय आत्मविश्वास भरे अंदाज़े को इनाम देते हैं। अंदाज़े से अंक मिल सकते हैं; "मुझे नहीं पता" से कोई अंक नहीं मिलता।

### क्या हैलुसिनेशन पूरी तरह ख़त्म किए जा सकते हैं?

कोई तरीक़ा इन्हें पूरी तरह नहीं हटाता। दस्तावेज़ों पर आधारित जवाब, "मुझे नहीं पता" कहने की छूट, हवाले और कोड में जाँच इन्हें घटाते हैं। Anthropic की गाइड कहती है कि ये तकनीकें हैलुसिनेशन घटाती हैं, पर ख़त्म नहीं करतीं।

### क्या कम temperature से हैलुसिनेशन रुक जाते हैं?

इससे रैंडम शब्द चुनना कम होता है, आत्मविश्वास भरी ग़लतियाँ नहीं। temperature 0 पर मॉडल हर बार वही ग़लत जवाब दे सकता है।

## यह भी देखें

-   [ग्राउंडिंग (grounding)](https://broadrouter.com/hi/glossary/grounding/) (शब्द)
-   [RAG (retrieval-augmented generation)](https://broadrouter.com/hi/glossary/rag/) (शब्द)
-   [लॉगप्रॉब्स (logprobs)](https://broadrouter.com/hi/glossary/logprobs/) (शब्द)
-   [Eval (LLM इवैल्यूएशन)](https://broadrouter.com/hi/glossary/eval/) (शब्द)
-   [टेम्परेचर (temperature)](https://broadrouter.com/hi/glossary/temperature/) (शब्द)
-   [गार्डरेल (LLM guardrails)](https://broadrouter.com/hi/glossary/guardrails/) (शब्द)
-   [विज़न मॉडल से अरबी इनवॉइस और रसीदें पढ़ें](https://broadrouter.com/hi/guides/read-arabic-invoices-with-vision/) (गाइड)
-   [अरबी RAG: normalisation, chunking और retrieval जो सच में काम करे](https://broadrouter.com/hi/blog/arabic-rag-search/) (लेख)
-   [प्रोवाइडर बदलने से पहले LLM का मूल्यांकन कैसे करें](https://broadrouter.com/hi/blog/evaluate-llm-before-switching/) (लेख)

इसे अपने असली वर्कलोड पर आज़माएँ। नए अकाउंट Gemma और ट्रांसक्रिप्शन के लिए US$5 के क्रेडिट से शुरू होते हैं। DeepSeek, GLM, और Qwen3.8 के लिए टॉप-अप ज़रूरी है।

[शुरू करें](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=hi-glossary-hallucination&utm_content=page-cta) ·

**स्रोत**

-   [Kalai और साथी (2025), Why Language Models Hallucinate](https://arxiv.org/abs/2509.04664)
-   [Anthropic, हैलुसिनेशन घटाना](https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations)
-   [Lewis और साथी (2020), Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks](https://arxiv.org/abs/2005.11401)
