Fine-Refine：用于缓解对话幻觉的迭代细粒度精炼
计算与语言
2026-02-18 v1
摘要
当前大型语言模型（LLM）在对话系统中的幻觉倾向会产生事实错误的响应，误导用户并削弱系统信任。现有对话系统的精炼方法通常在响应级别上运作，忽视了单个响应可能包含多个可验证或不可验证事实的事实。为此，我们提出Fine-Refine，一种细粒度精炼框架，将响应分解为原子单元，利用外部知识验证每个单元，通过困惑度评估流畅度，并迭代纠正细粒度错误。我们在HybriDialogue和OpendialKG数据集上评估事实正确性，包括事实准确度（fact score）和覆盖度（Not Enough Information Proportion），实验表明Fine-Refine在事实性方面显著提升， Dialogue fact score最高可提升7.63分，与此同时对对话质量存在一定权衡。
引用
@article{arxiv.2602.15509,
title = {Fine-Refine: Iterative Fine-grained Refinement for Mitigating Dialogue Hallucination},
author = {Xiangyan Chen and Yujian Gan and Matthew Purver},
journal= {arXiv preprint arXiv:2602.15509},
year = {2026}
}