结构化无知证书校准用于诊断推理模型中的未知未知问题

大型语言模型常因无法承认无知而对超出知识边界的问题产生幻觉。本文提出“结构化无知证书”（SICs），一种 JSON 格式输出架构，要求模型明确缺失领域、列举所需概念并提出检索查询，而非编造答案。作者构建了包含 7347 个样本的“未知 - 未知”数据集，利用组相对策略优化（GRPO）微调 14B 参数模型。评估显示，该方法在 JSON 有效性、证书特异性及检索生成质量上显著优于基线，证明显式认知结构化是可学习且可衡量的能力。