修复 FOLIO 和 MALLS：经过验证的标注与一种辅助人工重标注的 LLM 框架

自然语言到一阶逻辑（NL-to-FOL）的准确翻译是神经符号 AI 与自然语言推断的基石，但现有基准数据集从未经过严格审计。本文首先系统检查了 FOLIO 验证集与 MALLS 测试子集，发现约 39% 和 36% 的条目存在错误的一阶逻辑形式化标注。其次，本文发布了修正后的真值标签，实验表明使用修正数据评估三个主流大模型可带来 9% 至 22% 的准确率提升。最后，提出一种基于大模型的框架辅助人工审查，仅需审查不到 24% 的样本即可使数据集准确率达到 90%，显著优于无引导审查。