利用 LLM 参数化知识进行事实核查：无需检索的事实核查方法
计算与语言
2026-03-06 v1 人工智能
摘要
可信度是构建基于大语言模型（LLM）的智能代理系统的核心研究挑战。为提升可信度，人们常对来自多样来源（包括人类撰写的文本、网页内容和模型输出）的自然语言声明进行事实核查，通过检索外部知识并利用 LLM 验证声明是否忠实于检索到的证据。因此，这类方法受制于检索错误和外部数据可用性，同时未能充分利用模型内在的事实验证能力。我们提出无需检索的事实核查任务，聚焦于对任意自然语言声明的验证，独立于其来源。为研究此设定，我们引入一个全面的评估框架，侧重于泛化能力，测试对（i）长尾知识、（ii）声明来源变化、（iii）多语言性、（iv）长文本生成的鲁棒性。我们在 9 个数据集、18 种方法和 3 个模型上进行实验，指出基于 logits 的方法常常不如利用内部模型表示的做法。基于此发现，我们引入 INTRA 方法，利用内部表示之间的相互作用，实现了具有强大泛化能力的国际前沿性能。更广泛地，我们的工作将无需检索的事实核查确立为一个有前景的研究方向，可补充检索式框架，提升可扩展性，并可作为训练期间的奖励信号或生成过程中的组件使用。
引用
@article{arxiv.2603.05471,
title = {Leveraging LLM Parametric Knowledge for Fact Checking without Retrieval},
author = {Artem Vazhentsev and Maria Marina and Daniil Moskovskiy and Sergey Pletenev and Mikhail Seleznyov and Mikhail Salnikov and Elena Tutubalina and Vasily Konovalov and Irina Nikishina and Alexander Panchenko and Viktor Moskvoretskii},
journal= {arXiv preprint arXiv:2603.05471},
year = {2026}
}
备注
Preprint