你的验证流程（贴给 gemini 交叉验证 + Hermes 带代码/测试环境终审）就是最靠谱的做法，值得固定下来：多模型交叉 + 可执行环境复核，基本能把幻觉兜住。

一个小 tip：本地裸模型答事实性问题（具体数字、版本、时间）时，提示里加一句"不确定就明说，不要编"，能压掉相当一部分自信幻觉。要让它真去查证，就得上 harness 给工具。