VISTA：基于顺序轮次评估的验证框架

幻觉——此处定义为生成不受可用证据或对话情境支持或矛盾的陈述——仍是部署需要事实可靠性的对话式 AI 系统的主要障碍。现有指标要么评估孤立响应，要么将不可验证内容视为错误，限制了其在多轮对话中的应用。我们提出 VISTA (Verification In Sequential Turn-based Assessment)，一个通过主张级验证和顺序一致性跟踪来评估对话事实性的框架。VISTA 将每个助手轮次分解为原子事实主张，针对可信来源和对话历史进行验证，并对不可验证的陈述进行分类（主观性、矛盾、缺乏证据或中止）。在八个大型语言模型和四个对话事实性基准（AIS、BEGIN、FAITHDIAL 和 FADE）上，VISTA 在 FACTSCORE 和 LLM-as-Judge 基准之外显著改进了幻觉检测。人类评估确认，VISTA 的分解提高了标注员一致性，并揭示了现有基准中的不一致性。通过将事实性建模为对话的动态属性，VISTA 提供了更透明、更贴近人类的对话系统真实性度量。