InteGround：论整合性证据推理中验证与检索规划的评价
计算与语言
2025-09-23 v1 人工智能
摘要
将大型语言模型（LLM）建立在外部知识源之上是一种实现忠实预测的有前景的方法。虽然现有的 grounding 方法对简单查询效果良好，但许多现实世界的信息需求需要综合多条证据。我们引入了“整合性 grounding”——即检索并验证多条相互依赖的证据以支持一个假设查询的挑战。为了系统地研究这个问题，我们重新利用了来自四个领域的数据来评价整合性 grounding 能力。我们的研究揭示了两项关键发现：第一，在 groundedness 验证中，虽然 LLM 对冗余证据具有鲁棒性，但当信息不完整时，它们倾向于利用内部知识进行合理化。第二，在考察检索规划策略时，我们发现无导向规划会因引入噪声而降低性能，而前提溯因推理因其逻辑约束而成为一种有前景的方法。此外，LLM 的零样本自我反思能力持续提升了 grounding 质量。这些见解为开发更有效的整合性 grounding 系统提供了有价值的方向。
引用
@article{arxiv.2509.16534,
title = {InteGround: On the Evaluation of Verification and Retrieval Planning in Integrative Grounding},
author = {Cheng Jiayang and Qianqian Zhuang and Haoran Li and Chunkit Chan and Xin Liu and Lin Qiu and Yangqiu Song},
journal= {arXiv preprint arXiv:2509.16534},
year = {2025}
}
备注
Accepted to EMNLP 2025 Findings