深思不确定性：通过推理校准提升长文本生成的事实性

大型语言模型在长文本生成中常产生幻觉。现有方法多依赖事后修正或基于正确性的强化学习，未能教会模型评估生成内容的可靠性。为此，本文提出 CURE 框架，通过在声明级别教授 LLM 推理不确定性来提升事实性。该框架引入“感知声明的推理协议”，将输出结构化为原子声明并配对显式置信度估计；随后开发多阶段训练流程，对齐置信度与正确性并优化事实性。实验表明，CURE 在多个基准上显著提升了事实准确性及校准能力，同时支持选择性预测以规避不确定声明。