CiteGuard：基于检索增强验证的 LLM 可靠引文归属
数字图书馆
2026-04-14 v4
摘要
大型语言模型（LLM）已成为科学写作的强大助手，但关于生成文本质量与可靠性的担忧仍然存在，包括引文准确性与忠实性。虽然近期研究多依赖 LLM-as-a-Judge 等方法，但 LLM-as-a-Judge 的可靠性也备受质疑。本文将引文评估重新定义为引文归属对齐问题，即评估 LLM 生成的引文是否与人类作者为同一文本所包含的引文相匹配。我们提出了 CiteGuard，一个具备检索感知能力的智能体框架，旨在为引文验证提供更可靠的依据。CiteGuard 在最新基线方法上提升了约 10 个百分点，在 CiteME 数据集上实现最高达 68.1% 的准确率，接近人类水平（69.2%）。它还识别了替代有效引文，展示了跨领域引文归属的泛化能力。我们的代码已公开于 https://github.com/KathCYM/CiteGuard。
引用
@article{arxiv.2510.17853,
title = {CiteGuard: Faithful Citation Attribution for LLMs via Retrieval-Augmented Validation},
author = {Yee Man Choi and Xuehang Guo and Yi R. Fung and Qingyun Wang},
journal= {arXiv preprint arXiv:2510.17853},
year = {2026}
}
备注
Project Page: https://kathcym.github.io/CiteGuard_Page/. ACL 2026 Main Conference