大型语言模型（LLMs）中的幻觉——即生成事实错误、捏造或认知上过度自信的内容——仍是其在高风险领域部署的主要障碍。现有的缓解策略，包括检索增强生成（RAG）、基于人类反馈的强化学习（RLHF）以及推理时采样启发式，主要针对知识不足或对齐偏好。然而，没有方法明确建模在对抗性提示或多轮对话压力下认知漂移的时间演化。我们提出了RGCC-X⁺ V2（递归几何收缩控制），这是一个控制理论框架，将压力下的幻觉重新定义为动态状态不稳定问题。RGCC-X⁺非将错误视为孤立的查询级失败，而是将对话认知状态建模为有界随机递归，并通过风险校准的反馈机制施加自适应收缩。该框架整合了：(i) 具有逻辑回归权重的五组件风险估计器（ROC-AUC=0.847）；(ii) 用于非线性潜在状态跟踪的扩展卡尔曼滤波器；(iii) 三级升级级联；以及 (iv) 具有形式保证的自我纠正恢复模块。受Lyapunov启发的分析证明了在自适应收缩调度下认知误差的均方有界性。在覆盖五类压力类别（包括对抗性多轮漂移）的312题基准测试中，RGCC-X⁺ V2相较于不受控基线，平均幻觉严重度降低了38.4%（配对t检验：p<0.001，Cohen’s d=0.81）。在对抗性场景中，减幅达到61.7%。与RAG结合时，系统实现了52.3%的减幅，且交互项具有统计学显著性（双因素方差分析：F(1,308)=14.3，p<0.001），表明真实的互补性而非简单叠加。效用保持分析确认响应信息量保持在基线的4.2%以内。研究结果表明，通过基于稳定性启发的反馈控制，可有效缓解对抗条件下的幻觉。RGCC-X⁺ V2 提供了一个可部署的、模型无关的调节层，补充了基于检索的方法，推动了幻觉问题从静态知识问题到可控动态问题的转变。
Alim ul haq khan（星期三）研究了该问题。