JointCQ：用于改进事实幻觉检测的联合声明和查询生成
计算与语言
2025-10-23 v1
摘要
当前的大型语言模型（LLM）常常存在幻觉问题，即生成看似事实但实际上不可靠的内容。典型的幻觉检测流程包括响应分解（即声明提取）、查询生成、证据收集（即搜索或检索）和声明验证。然而，现有方法在前两个阶段存在局限性，例如在声明提取过程中出现上下文丢失以及查询生成的特定性不足，导致整个幻觉检测流程性能下降。本文引入JointCQ https://github.com/pku0xff/JointCQ，一个用于构建有效且高效声明-查询生成器的联合声明和查询生成框架。我们的框架利用精心设计的评估准则筛选合成的训练数据，并对语言模型进行微调，以实现联合声明提取和查询生成，为下游搜索和验证提供可靠且信息丰富的输入。实验结果表明，我们的方法在多个开放域问答幻觉检测基准上 outperform了先前方法，推动了更可信和更透明的语言模型系统的目标。
引用
@article{arxiv.2510.19310,
title = {JointCQ: Improving Factual Hallucination Detection with Joint Claim and Query Generation},
author = {Fan Xu and Huixuan Zhang and Zhenliang Zhang and Jiahao Wang and Xiaojun Wan},
journal= {arXiv preprint arXiv:2510.19310},
year = {2025}
}