DeLIVeR：基于强化知识图谱探索的分解式信息真实性识别学习框架

针对大语言模型在自动事实核查中面临的检索脆弱性问题，本文提出 DeLIVeR 框架。该方法将证据检索视为强化战略探索任务，利用规划器大模型将复杂声明分解为目标问题集，以此遍历结构化知识图谱获取高精度证据。通过群相对策略优化（GRPO）及侧重结构多样性与判决准确性的奖励机制优化规划策略。实验表明，该框架在多个基准测试中显著优于现有最先进方法，有效弥合了多跳推理缺口，提供了可审计的虚假信息检测路径。