FactCorrector：面向长文本事实性纠正的图结构方法
计算与语言
2026-01-19 v1 人工智能
摘要
大型语言模型（LLM）在知识密集型应用中广泛使用，但常常生成事实错误的响应。纠正LLM的一种有前景的做法是通过反馈来纠正这些缺陷。因此，本文引入FactCorrector，一种新的后处理纠正方法，可在无需重新训练的情况下跨领域适配，并利用关于原始响应事实性的结构化反馈生成纠正。为支持事实性纠正方法的严格评估，我们还开发了 VELI5基准数据集，包含系统性注入的事实错误及其ground-truth纠正。在 VELI5 和多个流行的长文本事实性数据集上的实验表明，FactCorrector方法显著提高了事实精确度，同时保持相关性，优于强大的基线方法。我们将在 https://ibm.biz/factcorrector 发布代码。
引用
@article{arxiv.2601.11232,
title = {FactCorrector: A Graph-Inspired Approach to Long-Form Factuality Correction of Large Language Models},
author = {Javier Carnerero-Cano and Massimiliano Pronesti and Radu Marinescu and Tigran Tchrakian and James Barry and Jasmina Gajcin and Yufang Hou and Alessandra Pascale and Elizabeth Daly},
journal= {arXiv preprint arXiv:2601.11232},
year = {2026}
}