只说你所知道的：面向长形式事实性的校准感知生成

大型推理模型在复杂任务中表现优异，但在长文本生成中易产生累积性幻觉。现有方法遵循“耦合探索 - 承诺”范式，缺乏对信息选择的细粒度控制。本文提出“探索 - 承诺解耦”范式，将知识探索与最终输出分离，使模型能在具备意识的同时谨慎作答。具体实例化为校准感知生成（CAG）框架，通过增强中间推理的校准可靠性估计并优先选择可靠内容，显著提升事实性。实验表明，该方法在五个基准上将事实性最高提升 13%，解码时间减少 37%。