В статье представлен метод GroundAnnot, направленный на решение проблемы галлюцинаций больших языковых моделей (LLM) при биологической аннотации генов. Исследователи разработали клиентское ПО, которое интегрируется с популярными бэкендами обогащения (PANTHER, Enrichr, g:Profiler) и накладывает строгие ограничения на вывод моделей: LLM может использовать только те идентификаторы терминов Gene Ontology (GO) и их метки, которые реально возвращены бэкендом. Эксперименты с тремя моделями (Qwen2.5-7B, Qwen3.8-27B и GPT-OSS-120B) на наборах генов заболеваний показали, что без ограничений валидность обогащения составляла всего 15,3–35,1%. Ключевой вывод: использование ограниченного словаря (closed vocabulary) полностью устранило генерацию несуществующих или неуместных биологических терминов, повысив надежность интерпретаций. Хотя модели все еще допускали ошибки в сопоставлении ID с актуальными описаниями, внедрение жестких контрактов на входные данные значительно повысило точность и доверие к ИИ-ассистентам в биоинформатике.