InFi-Check：对大语言模型的可解释且细粒度的事实核查
计算与语言
2026-01-13 v1 人工智能
摘要
大语言模型（LLM）经常产生幻觉，然而现有的大多数事实核查方法将事实性评估视为二元分类问题，可解释性有限，且无法捕捉细粒度的错误类型。在本文中，我们介绍了InFi-Check，一个用于对LLM输出进行可解释且细粒度事实核查的框架。具体来说，我们首先提出一个受控数据合成流程，生成具有明确证据、细粒度错误类型标签、理由和更正的高质量数据。在此基础上，我们进一步构建了大规模训练数据和一个人工验证的基准InFi-Check-FG，用于对LLM输出进行细粒度事实核查。基于这些高质量训练数据，我们进一步提出了InFi-Checker，它可以联合提供支持证据、分类细粒度错误类型，并生成理由和更正。实验表明，InFi-Checker在InFi-Check-FG上达到了最先进的性能，并在各种下游任务中表现出强大的泛化能力，显著提高了事实性评估的实用性和可信度。
引用
@article{arxiv.2601.06666,
title = {InFi-Check: Interpretable and Fine-Grained Fact-Checking of LLMs},
author = {Yuzhuo Bai and Shuzheng Si and Kangyang Luo and Qingyi Wang and Wenhao Li and Gang Chen and Fanchao Qi and Maosong Sun},
journal= {arXiv preprint arXiv:2601.06666},
year = {2026}
}