SOPO: Socratic Guided Policy Optimization for Span-Level Hallucination Detection¶

会议: NeurIPS 2026
arXiv: 2610.32212
代码: https://github.com/patsnap/SOPO
领域: 幻觉检测
关键词: 片段级幻觉检测, 苏格拉底引导, 强化学习, 轮次优势缩放, 检索增强生成

一句话总结¶

针对片段级幻觉检测在可验证奖励强化学习（RLVR）中面临的定位信号模糊、困难样本奖励稀疏与推理长度膨胀三大瓶颈，本文提出苏格拉底引导策略优化框架（SOPO），在训练 rollout 中引入不泄露真值的教师逐步分析与启发式提问，并配合归一化前的轮次优势缩放与轮次均值奖励机制，使 4B 小模型在单轮推理下于 RAGTruth 测试集取得 63.3% 的 SOTA 片段级 F1（超越 GPT-5、o3 及 RL4HS-CAPO），同时将推理延迟降低 47.0%。

研究背景与动机¶

检索增强生成（RAG）虽能通过外部文档缓解大语言模型的幻觉，但模型仍不可避免地产生局部事实矛盾或无依据陈述。为了在高风险场景中保障可靠性，检测器不仅需要给出篇章级（Case-level）的二分类判断，更需要精确标定具体幻觉片段的字符起止位置（Span-level Hallucination Detection）。近期研究开始从监督微调（SFT）转向带可验证奖励的强化学习（RLVR，如 RL4HS 采用的 CAPO 与标准 GRPO），试图借助强化学习激发模型的细粒度核查推理能力。然而，现有引导式强化学习或自我批判范式难以直接适配这一客观诊断任务：自生成自评估的统一模型存在角色冲突，事后蒸馏的苏格拉底框架缺乏在线动态探索引导，而单轮直接修正反馈则会直接泄露真值标签（Ground-Truth Leakage），导致模型走捷径死记硬背而丧失自主推理能力。

若直接将基于标量奖励的标准 RLVR 应用于片段级幻觉检测，则会遭遇三重结构性障碍。首先是定位信号模糊：单一标量奖励必须同时压缩边界对齐、语义完整性与事实判别三个维度的信息，在短片段样本上仅偏离一个词元就可能令 F1 从 1.0 暴跌至 0.2，引发剧烈的优化震荡。其次是困难样本上的奖励稀疏：在超短片段、多片段密集分布或超长上下文样本中，较小的采样组大小（\(G\)）下学生模型在多轮迭代中持续获得零奖励，陷入性能停滞；而盲目扩大 \(G\) 又会在简单样本上产生大量全对的“零优势”组，浪费算力却不提供有效梯度。最后是失控的推理长度膨胀：GRPO/PPO 类目标在模型难以答对时会系统性地偏向更长的输出序列，产生大量冗余填充词元（Filler Tokens），使单轮输出长度无限逼近上下文窗口上限并严重拖慢线上部署延迟。

本文的切入角度是借鉴人类苏格拉底式教学法（Socratic Pedagogy），在不泄露标准答案的前提下，将稀疏的结果奖励转化为密集的多轮启发式诊断引导，同时在优势估计层面严格约束多轮依赖与长链冗余。核心 idea：构建多轮苏格拉底引导策略优化框架（SOPO），在在线强化学习 rollout 中由冻结教师模型针对学生的错误推理提供“逐步分析 + 启发式提问”以攻克困难样本，并结合轮次均值片段级 F1 奖励与归一化前轮次优势缩放机制，迫使学生模型将多轮纠错能力内化为高效、紧凑的首轮自主推理。

方法详解¶

整体框架¶

SOPO 将片段级幻觉检测建模为学生策略模型 \(\pi_\theta\)（Qwen3-4B-2507）与冻结教师模型 \(\pi_{\text{teacher}}\)（Qwen3-Next-80B-A3B-Instruct）之间的多轮交互马尔可夫决策过程（仅在训练阶段多轮交互，测试阶段完全采用单轮自主推理）。给定包含检索上下文文档 \(\mathcal{C}\) 与待核查回复 \(\mathcal{Y}\) 的输入 \(x\)，训练过程在一个采样组（大小 \(G=8\)）内展开最多 \(T=6\) 轮交互：学生生成推理链与预测幻觉片段字符区间集合 \(\hat{\mathcal{S}}\)，系统计算当前轮次的字符级重叠奖励；若得分未达阈值且触发随机反馈门控，冻结教师便进入多轮苏格拉底引导反馈机制，生成不泄露真值的逐步分析与引导提问追加至交互历史；当单条轨迹提前达标或达到最大轮次后，系统通过轮次均值片段级 F1 奖励汇总轨迹得分，并经由归一化前轮次优势缩放计算组内相对优势，最后通过 GRPO 裁剪目标更新学生策略参数。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["输入检索文档与待核查回复<br/>学生策略生成推理与预测片段"] --> B["多轮苏格拉底引导反馈机制<br/>阈值早停 + 概率门控 + 逐步分析与提问"]
    B -->|未达最大轮次且触发反馈| A
    B -->|得分达标或达最大轮次 T| C["轮次均值片段级 F1 奖励<br/>字符级交并比计算与多轮均值汇总"]
    C --> D["归一化前轮次优势缩放<br/>按交互轮次惩罚原始奖励后组内归一化"]
    D --> E["GRPO 策略更新与测试期单轮推理"]

关键设计¶

1. 多轮苏格拉底引导反馈机制：用逐步分析与启发式提问化解困难样本的奖励稀疏

针对标准 RLVR 在困难样本上持续获得零奖励、而直接反馈又会泄露真值导致过拟合的痛点，SOPO 设计了受控的多轮苏格拉底交互回路。在第 \(t\) 轮（\(1 \le t \le T\)），学生模型基于输入 \(x\) 和历史交互记录 \(H_{t-1}\) 生成包含推理过程与预测片段集合的输出 \(o_t \sim \pi_\theta(\cdot \mid x, H_{t-1})\)（首轮 \(H_0 = \emptyset\)）。随后系统对 \(o_t\) 进行评估：若当前轮次奖励 \(R(o_t, y^*) \ge \delta\)（默认阈值 \(\delta = 0.6\)），则立即提前终止交互（Early Termination），这既节省了算力，又作为正则化手段防止模型过度拟合训练集中潜在的人工标注边界噪声；若 \(R(o_t, y^*) < \delta\)，系统并非无条件给出提示，而是以概率 \(p_{\text{feedback}} = 0.6\) 随机触发教师反馈（否则跳过反馈直接终止或进入下一状态），从而防止学生策略对外部提示产生死板的路径依赖。

当反馈被触发时，冻结的教师模型在严格禁止泄露真值的系统提示词 \(\mathcal{P}_{\text{Socratic}}\) 约束下，根据学生的错误推理生成苏格拉底反馈信号：

\[f_t = [\mathcal{A}_t; \mathcal{G}_t] \sim \pi_{\text{teacher}}(\cdot \mid x, o_t, \mathcal{P}_{\text{Socratic}})\]

其中 \(\mathcal{A}_t\) 是逐步诊断分析（Step-wise Analysis），负责指出学生上一轮核查逻辑中的具体谬误或遗漏的上下文锚点；\(\mathcal{G}_t\) 是启发式引导提问（Guiding Question），通过反问引导学生自己推导出正确的幻觉边界。随后历史更新为 \(H_t = H_{t-1} \cup \{o_t, f_t\}\) 进入第 \(t+1\) 轮。这种“诊断锚定 + 启发提问”的双组件设计，使得原本在单轮采样中得分为 0 的困难样本能够在第 2 至第 \(k\) 轮中成功探索到高奖励轨迹，从而将稀疏的终端标量奖励转化为密集的逐步纠错监督信号。

2. 轮次均值片段级 F1 奖励：用字符级细粒度对齐与全程局部质量约束防止早期摆烂

为了精确度量幻觉片段的定位质量并消除多轮交互中的奖励黑客（Reward Hacking）行为，SOPO 将单轮奖励建立在字符级集合交并比之上，并引入跨轮次均值约束。设真值幻觉片段覆盖的字符索引集合为 \(\mathcal{S}^*\)，模型预测的幻觉字符索引集合为 \(\hat{\mathcal{S}}\)，字符级精确率与召回率定义为 \(P = \frac{|\hat{\mathcal{S}} \cap \mathcal{S}^*|}{|\hat{\mathcal{S}}|}\) 与 \(R = \frac{|\hat{\mathcal{S}} \cap \mathcal{S}^*|}{|\mathcal{S}^*|}\)。对于真值无幻觉且模型也正确预测为空集的样本（\(\hat{\mathcal{S}} = \emptyset\) 且 \(\mathcal{S}^* = \emptyset\)），单轮奖励 \(r_t\) 直接赋为 1；其余情况下 \(r_t = \frac{2PR}{P+R}\) 即字符级 Span-F1。

然而在多轮强化学习中，如果仅用最后一轮的得分 \(r_{k_i}\) 作为整条轨迹 \(\tau_i\)（共经历 \(k_i\) 轮）的总奖励，学生模型极易学会一种投机策略：在第一轮故意输出空集或敷衍的错误推理，以此套取教师模型在首轮反馈中提供的分析线索，再在第二轮拿高分。为此，SOPO 强制采用轨迹内所有轮次的平均得分作为轨迹原始总奖励：

\[R_i = \frac{1}{k_i} \sum_{t=1}^{k_i} r_t\]

这一设计构成了严格的局部质量约束——任何早期轮次的失败或摆烂都会永久拉低整条轨迹的回报上限，迫使学生模型在每一轮（尤其是完全没有教师提示的第一轮）都必须竭尽全力给出当前最优的定位预测。

3. 归一化前轮次优势缩放：在估值层面惩罚多轮交互依赖与推理长度膨胀并保持零均值估计

即便有了轮次均值奖励，标准 GRPO 仍无法区分“单轮直接拿到 0.65 分”与“首轮拿 0.60 分、次轮靠提示拿 0.70 分（均值也是 0.65 分）”的两条轨迹，这会纵容交互冗余与推理链长度膨胀。与此同时，如果像 CAPO 那样在组内归一化之后再乘启发式缩放系数（即 \(A'_i = \alpha_i \cdot A_{\text{norm}}\)），一旦缩放系数与优势值相关，缩放后的组内优势期望就会偏离零（\(\mathbb{E}[A'_i] \neq 0\)），重新引入基线偏差并在训练第 100 步左右引发严重的梯度震荡与奖励崩塌。

为兼顾效率惩罚与数学无偏性，SOPO 提出在组内标准化之前直接对轨迹原始奖励施加基于轮次的线性衰减缩放（Pre-Normalization Intervention）：

\[\alpha_i = \text{clip}\big(1 - (k_i - 1) \cdot p_{\text{penalty}},\ 0,\ 1\big), \quad R_{\text{scaled}, i} = \alpha_i \cdot R_i, \quad A_i = \frac{R_{\text{scaled}, i} - \text{mean}(\mathbf{R}_{\text{scaled}})}{\text{std}(\mathbf{R}_{\text{scaled}}) + \epsilon}\]

其中 \(k_i\) 为轨迹 \(\tau_i\) 实际消耗的交互轮数，\(p_{\text{penalty}} = 0.2\) 为每增加一轮的惩罚系数，\(\mathbf{R}_{\text{scaled}} = \{R_{\text{scaled}, 1}, \dots, R_{\text{scaled}, G}\}\) 为组内所有轨迹缩放后的奖励集合。通过将惩罚前移至估值层（Valuation Level），多轮轨迹在组内的相对排序被显著压低，而随后的组内标准化天然保证了最终优势估计器维持严格的零均值与单位方差。这一机制不仅迫使模型摆脱对多轮教师提示的依赖，还同步抑制了单轮内部的冗余废话生成，将测试期单轮平均生成长度稳定控制在约 750 个词元。

损失函数 / 训练策略¶

训练分为冷启动 SFT 与在线 RL 两个阶段。在冷启动阶段，作者将 RAGTruth 训练集随机切分为 5,090 条 SFT 样本与 10,000 条 RL 样本；使用 Gemini-2.5-Flash 对每条 SFT 样本采样多个回复，通过拒绝采样（Rejection Sampling）筛选出相对真值 Span-F1 最高的推理轨迹，对基础模型 Qwen3-4B-2507 进行 3 个 epoch 的微调（学习率 \(7 \times 10^{-6}\)，批大小 16，Cosine 调度）。所有 RL 基线（GRPO、CAPO）与 SOPO 均从该统一 SFT 检查点初始化。

在 RL 阶段，模型基于上述缩放优势 \(A(\tau)\) 最小化标准 GRPO 裁剪代理损失：

\[\mathcal{L}_{\text{GRPO}}(\theta) = \mathbb{E}_{\tau \sim \pi_\theta} \Big[ \min \big( r_\theta(\tau) A(\tau),\ \text{clip}(r_\theta(\tau), 1 - \varepsilon, 1 + \varepsilon) A(\tau) \big) \Big]\]

工程实现基于异步强化学习框架 AReaL 并结合 DAPO 的动态采样（Dynamic Sampling）策略过滤全同奖励组。RL 训练共进行 4 个 epoch（全预算共 \(S=632\) 步），学习率设为恒定 \(1 \times 10^{-6}\)，全局批大小 64，组大小 \(G=8\)，采样温度 1.0，单轮最大长度 8,192 词元，单轨迹最大长度 32,768 词元。硬件采用 20 张 NVIDIA A800 GPU 解耦部署：8 卡负责 rollout 生成、8 卡负责策略梯度更新、4 卡专门部署冻结的 Qwen3-Next-80B-A3B-Instruct（激活参数仅 3B）并开启 SGLang/vLLM 自动前缀缓存（约 40% 教师输入前缀可跨 rollout 复用 KV-Cache）。

实验关键数据¶

主实验¶

主实验在 RAGTruth 测试集（共 2,700 条样本，涵盖 Summarization、QA、Data-to-Text 三个子任务）上进行，所有模型在测试期均执行无教师干预的单轮推理，采用全局微平均（Micro-averaged）评价片段级（Span-level）与篇章级（Case-level）F1 / Precision / Recall。

模型 / 方法	参数规模	Summarization Span-F1	QA Span-F1	Data-to-Text Span-F1	Overall Span-F1 (P / R)	Overall Case-F1 (P / R)
GPT-5 w/ CoT	闭源大模型	36.5	44.4	45.7	42.9 (30.7 / 71.1)	-
o3 w/ CoT	闭源推理模型	48.5	49.9	55.2	51.8 (43.8 / 63.2)	-
Qwen3-4B-2507 (Base)	4B	47.0	34.7	49.8	43.6 (41.8 / 45.7)	-
Qwen3-Next-80B-A3B-Instruct	80B (A3B)	48.2	33.8	42.5	39.9 (34.5 / 47.2)	-
Multi-View Attention	7B	41.5	50.6	55.2	50.7 (45.1 / 57.9)	-
RL4HS-CAPO-7B	7B	50.9	56.4	60.4	56.9 (62.4 / 52.3)	-
RL4HS-CAPO-14B	14B	57.6	54.8	62.6	58.3 (60.5 / 56.3)	-
LettuceDetect-Large	Token 分类器	44.6	64.4	60.0	58.9 (64.9 / 54.0)	79.2 (80.4 / 78.1)
RAG-HAT	专用微调管线	-	-	-	-	83.9 (87.3 / 80.8)
Baseline-SFT-4B	4B	52.3	59.5	60.5	58.7 (57.5 / 59.9)	84.7 (83.4 / 86.0)
Baseline-GRPO-4B	4B	53.2	59.3	64.0	60.2 (66.4 / 55.1)	84.0 (87.9 / 80.5)
Baseline-CAPO-4B	4B	53.2	60.1	63.7	60.4 (62.2 / 58.7)	83.9 (83.0 / 84.8)
SOPO-4B (Ours)	4B	55.7	63.9	66.0	63.3 (67.3 / 59.8)	84.8 (88.0 / 81.9)

此外，在 4 个域外（OOD）基准的 10 次推理评估均值上，SOPO（及等算力检查点 SOPO-FLOP，531 步）同样全面超越 GRPO： - PsiloQA (Span-F1)：SOPO 达 73.90±0.36（SOPO-FLOP 达 74.17±0.20），优于 CAPO（72.67±0.18）与 GRPO（72.51±0.17）； - Math-Shepherd-614 (Span-F1)：SOPO 达 89.02±0.49，显著优于 CAPO（85.89±0.60，配对提升 +3.04，\(p=0.0131\)）与 GRPO（85.68±0.61）； - LLM-AggreFact (Mean BAcc)：SOPO 达 75.93±0.15，优于 CAPO（75.29±0.11）与 GRPO（72.55±0.90，配对提升 +2.73，\(p<10^{-4}\)）； - HaluEval (Accuracy)：SOPO 达 69.77±0.03，优于 CAPO（69.19±0.19，\(p=0.0005\)）与 GRPO（67.52±0.35，\(p<10^{-4}\)）。

消融实验¶

作者在 RAGTruth 测试集上围绕反馈范式、离线蒸馏对比、师生模型规模异构性以及计算效率进行了系统消融（汇总自原文 Table 3、Table 4、Table 5、Table 6、Table 9–11）：

消融维度	配置 / 变体	Overall Span-F1	Precision / Recall	附加指标（Case-F1 或效率开销）	核心结论
反馈机制消融	SOPO (完整：分析 + 引导提问)	63.31	67.29 / 59.77	Case-F1: 84.65±0.21	双组件协同取得最佳精召平衡
反馈机制消融	Question-only (仅引导提问)	62.25	68.25 / 57.22	缺少诊断锚定，单片段易过纠	提问是核心驱动力，但缺分析会损召回
反馈机制消融	w/ GT Leakage (允许泄露真值)	61.65	64.43 / 59.09	训练奖励虚高，测试泛化跌 -1.66	泄露真值诱发走捷径过拟合
反馈机制消融	Direct-Feedback (指令式非泄密反馈)	60.81	- / -	10 次推理均值，低 2.50 点	启发式反问远优于直接指令式纠错
反馈机制消融	Analysis-only (仅逐步分析)	59.49	64.57 / 55.16	甚至低于单轮 GRPO (60.19)	被动批评无法激发学生主动重推理
在线 vs 离线	SOPO-FLOP (531步，与GRPO等FLOPs)	62.96±0.24	-	Case-F1: 83.72±0.32	严格对齐训练算力后仍稳居最优
在线 vs 离线	80B-CoT-Distill (同教师离线轨迹SFT)	50.09±0.77	-	Case-F1: 79.05±0.39	在线策略条件反馈比静态蒸馏高 +13.25
教师模型替换	GLM-4.7-Flash-30B-A3B (异构教师)	62.48	65.23 / 59.96	优于同源 Qwen3-30B-A3B (61.67)	跨家族异构教师提供互补视角，防同源偏见
教师模型替换	Qwen3-4B-Instruct-2507 (4B 同规模教师)	62.16	66.49 / 58.35	优于旧版 Qwen3-8B 教师 (60.47)	教师内生推理能力比参数量更重要
计算与推理开销	GRPO-4B vs SOPO-4B	60.2 vs 63.3	-	训练 FLOPs +18.9%，墙钟时间 -11.5%	测试平均词元 -39.9% (1250→751)，延迟 -47.0% (478.2→253.6ms)

关键发现¶

启发式提问是反馈核心，但逐步分析对困难样本不可或缺：在整体测试集上，Question-only（62.25 F1）显著优于 Analysis-only（59.49 F1），说明主动启发式提问比被动指出错误更能驱动自纠错；但在长度处于 0.5%–1% 分位的极短逻辑幻觉短语上，GRPO 崩塌至 0.309，Question-only 停留在 0.402，而完整 SOPO 达到 0.557（相对提升 38.5%）；在仅含 1 个幻觉片段的稀疏样本上，Question-only（0.556）甚至略低于 GRPO（0.559），因为缺乏逐步分析（Analysis）作为诊断锚点时，学生面对反问会盲目猜测并产生假阳性过纠。
在线苏格拉底引导远胜于离线 CoT 蒸馏与真值泄露：使用同一个 80B 教师基于真值离线生成推理链做 SFT（80B-CoT-Distill）仅能达到 50.09 Span-F1，比在线交互的 SOPO 低 13.25 个百分点；而允许教师在在线反馈中泄露真值（w/ GT Leakage）虽在前 120 步训练奖励更高，但最终测试集 F1 下降 1.66 点。这证明只有针对学生当前错误状态且严格不泄密的在线启发，才能真正教会模型核查机制而非背诵答案。
训练期“多算一点 FLOPs”换取更短的墙钟时间与近半的部署延迟：尽管引入 80B MoE 教师（激活 3B）使总训练 FLOPs 从 20.98 ExaFLOPs 增至 24.95 ExaFLOPs（+18.9%），GPU 时从 286.08 增至 316.40（+10.6%），但由于轮次优势缩放将训练期学生单轮生成长度从 2700.1 大幅压缩 43.2% 至 1534.4 词元，实际训练墙钟时间反而从 17.88 小时缩短至 15.82 小时（-11.5%），且仅需 2 个 epoch（约 200 步）即可追平 GRPO 4 个 epoch 的峰值。在 32 并发测试下，SOPO 平均输出从 1250.2 词元降至 750.9 词元，推理延迟从 478.2 ms 降至 253.6 ms（-47.0%）。
保持高策略熵避免过早坍缩：训练动态曲线显示，GRPO 与 CAPO 的策略熵随训练单调衰减并在 600 步附近趋近于 0（丧失多样化采样能力），而 SOPO 在整个训练过程（含 450–600 步后期）始终维持显著更高的策略熵与适度波动，保持了对复杂长尾幻觉模式的探索能力。

亮点与洞察¶

“训练期多轮苏格拉底交互 + 测试期零开销单轮推理”的课程内化范式：SOPO 最巧妙的地方在于教师模型仅在 RL rollout 阶段充当“脚手架”，通过轮次优势缩放对多轮轨迹施加递减权重（\(\alpha_i = 1 - 0.2(k_i-1)\)），迫使学生把教师在后续轮次传递的核查视角迁移到第一轮的自主思维链中。这既解决了困难样本冷启动搜索不到正奖励的死锁，又避免了测试期部署大模型或多轮对话的高昂成本。
在估值层而非估计器层做优势干预的无偏性洞察：作者敏锐地指出，在组内均值方差归一化之后再乘与长度/类别相关的启发式系数（如 CAPO），会破坏 \(\mathbb{E}[A_i]=0\) 的基线无偏性并导致训练崩溃；而在归一化之前直接缩放原始奖励（\(R_{\text{scaled}, i} = \alpha_i R_i\)），既能改变组内不同轮次轨迹的相对竞争位次，又能让后续标准化操作自然恢复零均值与单位方差。这一简单规则可直接复用到任何带有长度惩罚、工具调用次数惩罚或步数惩罚的 GRPO 变体中。
评测基准的混淆矩阵逆向校准（Micro vs. Macro）：作者在对比前人工作 RL4HS 时发现，其原文报告的 Overall 分数混用了跨任务宏平均（Macro-F1）且缺失了 25 条 QA 样本，在样本量与幻觉密度差异巨大的 RAGTruth 子任务间造成了严重偏差。作者通过精确反推全局混淆矩阵（TP/FP/FN）统一为标准微平均（Micro-F1），不仅澄清了领域基线对比，也为细粒度检测评测提供了严谨的方法论范本。

局限与展望¶

过程信用分配仍依赖轨迹级标量汇总：尽管 SOPO 通过多轮对话缓解了单轮标量奖励的稀疏性，但每轮内部依然使用句子/全文级别的字符重叠 F1，尚未结合细粒度的过程奖励模型（PRM）对单步推理词元进行精确的局部信用分配（Credit Assignment）。
严格轮次与长度惩罚在开放式生成任务上的适用性存疑：本文的强衰减惩罚（每多一轮扣减 20% 原始奖励）非常适合事实核查与幻觉定位这类目标明确的验证型任务；但在复杂代码生成或开放式科学发现等本身就需要多次试错探索（Trial-and-Error）的任务中，过强的早期效率惩罚可能会压制必要的探索深度。
缺乏跨独立 RL 训练随机种子的显著性检验：受限于全量多轮 RL 训练的计算开销，文中的置信区间与 \(p\) 值均基于固定检查点在测试集上的 10 次重复采样配对 Bootstrap 计算，尚未量化不同 RL 训练随机种子（Training Seeds）带来的方差；此外，1.7B 极小模型受限于长上下文窗口能力，在多轮轨迹中获益幅度（+1.9 F1）明显小于 4B 模型（+3.1 F1）。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 将苏格拉底式无泄密启发教学与归一化前轮次优势缩放结合，优雅解决了细粒度强化学习中的奖励稀疏与长度膨胀双重难题。
实验充分度: ⭐⭐⭐⭐⭐ 涵盖 RAGTruth 片段级与篇章级主实验、4 个 OOD 基准、10 次采样配对 Bootstrap 显著性检验、师生规模异构消融及详尽的 FLOPs/延迟剖析。
写作质量: ⭐⭐⭐⭐⭐ 问题切入精准，数学推导（如归一化前后缩放的期望偏差分析与微平均校准）清晰严密，图表与附录论证极为扎实。
价值: ⭐⭐⭐⭐⭐ 仅用 4B 参数即大幅超越闭源大模型与现有 SOTA，且推理延迟减半，代码与 1.7B/4B 权重开源，对工业界部署高可靠 RAG 核查器具有极高实用价值。