arXiv cs.AI· Paul He, Elke Kirschbaum, Shiva Kasiviswanathan·· 6 天前AI 评分29
QXR：面向自然语言主张集合的全局一致性修复框架
Global Consistency Repair for Natural-Language Claim Sets
AI 导读
针对主张集合可能局部合理、两两兼容却整体不一致的失效模式，研究者提出 QXR 自适应诊断与修复框架，将 LLM 视为带噪的集合级一致性判断器，定位最小冲突子集并通过删除小型命中集来修复主张集合。在 VitaminC、FEVER 及冲突证据 RAG 衍生基准上，QXR 比一次性直接判断保留更多有效主张且保持高精度，该工作已被 EMNLP 2026 主会接收。
正文 · AI 翻译
摘要：NLP 系统越来越多地汇总来自检索段落、文档和生成推理步骤的主张。然而，当前的事实性方法大多单独验证主张或比较主张对，这使得整个汇总主张集能否被连贯地保留这一问题悬而未决。这遗漏了一种根本性的失败模式：主张可能局部看似合理且两两兼容，但整体上仍不一致。我们将全局一致性修复形式化：给定一个不一致的自然语言主张集，在定位不一致的紧凑来源的同时，保留最大的连贯子集。我们提出 QXR，一种自适应诊断与修复框架，将 LLM 视为带噪声的集合级一致性判定器，定位最小冲突子集，并通过删除一个小的命中集来修复主张集。在来自 VitaminC、FEVER 和冲突证据 RAG 的 LLM 判定器与基准上，QXR 在保持高精确率的同时，保留的有效主张显著多于直接一次性判定。这些结果表明，主张汇总系统中的事实性应被视为集合级修复问题，而不仅仅是局部验证。
| 评论： | 已被 EMNLP 2026（主会议）接收 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2601.13600 [cs.AI] |
| （或 arXiv:2601.13600v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2601.13600 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Paul He [查看电子邮件]
[v1]
2026年1月20日星期二 05:02:35 UTC（82 KB）
[v2]
2026年10月9日星期五 17:18:50 UTC（164 KB）
来源：arXiv cs.AI · arxiv.org