摘要
针对检索增强生成（RAG）在高风险领域易产生幻觉且缺乏中间推理验证的问题，本文提出一种融合显式推理与忠实性验证的领域专用框架。该架构通过神经查询重写、交叉编码器重排序及理由生成模块，将子主张 grounded 于具体证据片段。此外，引入八类验证分类法以细粒度评估理由忠实性。在 BioASQ 和 PubMedQA 基准上的实验表明，显式理由生成显著提升了准确率，动态示例选择结合重排序进一步优化了小样本表现，实现了高透明度与可诊断性。
AI 推荐理由
论文核心提出显式推理与验证框架，旨在解决 RAG 中的幻觉问题，提升推理忠实度。
研究机构
Concordia University, Montreal, QC, Canada
Centre de recherche informatique de Montréal (CRIM), Montreal, QC, Canada
论文信息