AI Papers Daily

#Factual Consistency

2 篇

Cross-platform epistemic verification for improving factual reliability in AI-generated news summarization

跨平台多源证据共识验证提升AI新闻摘要事实可靠性

🧭 多源验证与共识仲裁提升事实一致性

Bank of Changsha Co., Ltd. · Boston University

提出MECV框架，通过异构多源检索与多LLM陪审团共识打分修正摘要幻觉

📌 工作参考价值（4 点）

• 多源证据交叉验证：在商品描述生成或评论摘要等场景，可借鉴从商品库、百科、用户问答等多源检索证据，交叉验证事实性声明，减少单一信源偏差。
• 多LLM陪审团共识机制：对关键商品属性（如材质、功能）或广告文案的事实陈述，采用不同LLM独立验证，通过矛盾感知的共识打分识别不可靠内容，提升可信度。
• 迭代最小编辑修正：对生成式推荐文案或推送消息中的可疑事实片段，采用小步迭代修改，既修正错误又尽量保留原有结构和风格，降低改写成本。
• 异构检索引擎编排：在涉及多平台商品信息核验时，可设计类似架构，组合内部知识库、第三方API和开放网络搜索，并利用协调器控制修正流程。

RAG | 2026-08-05 | cs.IR | score 6/10

Hallucination CorrectionMulti-source VerificationConsensus ScoringRetrieval-Augmented GenerationFactual ConsistencyMulti-LLM Jury

ScholarSum: Student-Teacher Abstractive Summarization via Knowledge Graph Reasoning and Reflective Refinement

ScholarSum：基于知识图谱推理与反思精炼的学生-教师摘要生成框架

🧭 LLM 摘要生成 · 事实一致性优化

State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China

通过分层知识图谱引导的学生-教师迭代框架，同时提升科学文献摘要的流畅性和忠实性

📌 工作参考价值（4 点）

• 商品文案生成的可信度增强：在生成商品描述或广告文案时，可借鉴分层知识图谱捕捉商品属性与卖点间的全局关系，再通过学生-教师迭代核对，确保文案不出现与商品实际信息不符的“幻觉”。
• 用户评论摘要的事实校验：为海量用户评价生成总结时，可以引入类似教师模型的检查步骤，识别无证据支持的概括，并触发重新检索原始评论进行改写，提升摘要的忠实度。
• 检索增强生成（RAG）中的迭代精炼：在电商知识问答或搜索导购场景，可将 ScholarSum 的反思机制嵌入 RAG 流程——先生成答案草案，再由独立评估器检查每个陈述是否有检索片段支撑，发现无依据内容后定向重查与重写，显著提高答案可信度。
• Agent 系统的事实验证模块：在多智能体协作架构中，可以专门设计一个“事实核查 Agent”，像教师模型一样审视其他 Agent 生成的文本，通过检索源头证据进行反驳和修正，提升整体输出的可靠性。

Other | 2026-06-17 | cs.IR | score 7/10

Abstractive SummarizationKnowledge GraphReflective RefinementFactual ConsistencyStudent-TeacherLLM