通过分解与注入实现组合式多跳事实错误纠正

事实错误纠正（FEC）旨在将不准确文本修订为与外部证据一致陈述。现有方法在处理需跨多源证据进行组合推理的多跳案例时表现不佳。本文提出 CECoR，一种推理感知框架，引入“分解 - 注入”范式：将多跳主张分解为可解释的推理步骤，并注入受控扰动以合成高质量训练对。结合监督微调与强化学习的两阶段策略显著提升了事实准确性与鲁棒性。评估表明，CECoR 在多跳基准上优于远程监督及少样本基线，且在单跳纠错及噪声证据下表现稳定。