MeasHalu：基于增强推理的大型语言模型科学测量幻觉消除框架
计算与语言
2026-04-21 v1
摘要
从文献中准确提取科学测量值是AI4Science中的关键且具有挑战性的任务，能够实现大规模的定性研究成果分析与集成。然而，大型语言模型（LLM）常出现严重的幻觉现象，这显著削弱了自动化科学文档理解系统的可靠性。为此，我们提出MeasHalu——一种通过增强推理和针对性优化来消除科学测量幻觉的新型框架。我们首先提出测量相关幻觉的细粒度分类体系，将错误归类为数量、单位、修饰词和关系等维度。方法融合了基于增强科学数据和过程导向监督的两阶段推理感知微调策略，并引入渐进式奖励课程以惩罚特定幻觉类型，从而显著提升提取的忠实度。实验结果表明，MeasHalu在MeasEval基准上显著降低幻觉率并提升整体准确率。这一工作为自动化科学知识提取中的关键瓶颈提供了针对性解决方案，促进了更可信、可扩展的机器辅助科学文献分析。
关键词
引用
@article{arxiv.2604.16929,
title = {MeasHalu: Mitigation of Scientific Measurement Hallucinations for Large Language Models with Enhanced Reasoning},
author = {Ruijun Huang and Zhiqiao Kang and Yuxuan Zhu and Junxiong Li and Jiahao Zhao and Minghuan Tan and Feng Jiang and Min Yang},
journal= {arXiv preprint arXiv:2604.16929},
year = {2026}
}
备注
To appear in ACL 2026