面向金融分类的事实幻觉感知推理小型语言模型赋能
人工智能
2026-01-06 v1
摘要
小型语言模型(SLMs)因快速推理和本地部署而日益被用于金融分类。然而，与大型语言模型相比，SLMs 在推理过程中更易产生事实性幻觉且分类性能较弱。这自然引出一个问题：消除事实性幻觉能否提升 SLMs 的金融分类能力？为此，我们提出了一个名为 AAAI 的三步流程，包括关联识别、自动检测与自适应推理。在三个具有代表性的 SLMs 上进行实验，结果显示：(1) 事实性幻觉与误分类呈正相关；(2) 基于编码器的验证器能够有效检测事实性幻觉；(3) 纳入事实错误反馈后，SLMs 可实现自适应推理，从而提升分类性能。我们希望该流程有助于提升 SLMs 在金融领域的可信赖性与实际效果。
引用
@article{arxiv.2601.01378,
title = {Empowering Small Language Models with Factual Hallucination-Aware Reasoning for Financial Classification},
author = {Han Yuan and Yilin Wu and Li Zhang and Zheng Ma},
journal= {arXiv preprint arXiv:2601.01378},
year = {2026}
}