DeepSciVerify：基于LLM驱动的科学主张-引用对齐验证
人工智能
2026-05-28 v1
摘要
大型语言模型生成的报告中常见的主张与其引用证据不匹配是一种常见失效模式，限制了其在科学及其他高风险场景中的可靠性。我们提出DeepSciVerify，一个用于科学主张-引用验证的两阶段管道，结合抽象层次的推理与针对性的证据升级。该系统首先使用摘要验证主张，并对不确定的情况进行延迟处理，仅在必要时检索和分析全文段落。该设计利用不同LLM在不确定情形下的不同行为：一些模型较为保守，而一些模型更为果断。 在SCitance基准上，DeepSciVerify实现了86.7的微F1分数，相较于强大的仅使用摘要的基线提升了+4.5分，同时在67%的情况下无需全文检索即可解决。这些结果表明，选择性证据升级在主张-引用验证中提高了准确率和效率。
引用
@article{arxiv.2605.27710,
title = {DeepSciVerify: Verifying Scientific Claim--Citation Alignment via LLM-Driven Evidence Escalation},
author = {Shaghayegh Sadeghi and Khashayar Khajavi and Rise Adhikari and Alexander Tessier},
journal= {arXiv preprint arXiv:2605.27710},
year = {2026}
}