基于 LLM 的系统对多语言声明验证的推理追踪进行排名

DS@GT ARC 的研究人员为 CheckThat! 2026 竞赛开发了一个系统，该系统专注于验证英语和阿拉伯语中的数值声明。他们的方法包括对大型语言模型 (LLM) 生成的推理追踪进行排名，并使用分组奖励建模。他们探索了两种方法：使用 LoRA 对 LLM 进行微调以进行追踪评分，以及使用轻量级 TF-IDF 奖励模型。结果表明，基于 LLM 的方法总体上优于 TF-IDF 模型，尤其是在召回率方面，而后者在识别冲突声明方面表现出优势。对于阿拉伯语，一种特定语言的模型 AraBERT 比通用的多语言模型更有效。 AI

影响 这项研究推进了基于 LLM 的声明验证方法，有可能提高自动化事实核查系统的准确性和可靠性。

排序理由 该集群包含一篇研究论文，详细介绍了使用 LLM 进行数值声明验证的系统。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• Arabic
• CheckThat! 2026
• CLEF 2026
• DS@GT ARC
• English
• LLM
• LoRA
• TF-IDF

• 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 →