符号增强提高了神经事实检查器在科学文本上的鲁棒性

研究人员开发了一种名为符号增强的新方法，以提高神经事实检查器的准确性，特别是在处理科学文本方面。这些模型经常在数字和单位方面遇到困难，导致错误会微妙地改变科学主张。新方法解决了规范等价数量（如不同的温度刻度）导致准确性崩溃的特定盲点。通过生成保留标签的增强训练数据，符号增强显著提高了鲁棒性，甚至提高了分布内准确性，且不增加推理成本，即可媲美闭域LLM。 AI

影响 增强了LLM在科学环境中的可靠性，减少了幻觉，提高了主张验证的准确性。

排序理由 这是一篇研究论文，详细介绍了一种提高LLM事实检查能力的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• Krippendorff's alpha
• ModernBERT
• ScienceCast
• SciFact-Open
• Symbolic Augmentation

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →