arXiv Artificial Intelligence· Jiawei Dong, Zilong Bai, Pengtian zhu, Peng Zhou·· 3 小时前AI 评分31
SOPO：苏格拉底式引导策略优化，用于跨度级幻觉检测
SOPO: Socratic Guided Policy Optimization for Span-Level Hallucination Detection
AI 导读
SOPO 是一个多轮强化学习框架，通过教师模型在 rollout 中依据真实答案提供间接提示的苏格拉底式反馈机制，缓解难例奖励稀疏问题，并用 Turn-based Advantage Scaling 抑制冗长偏好。
来源：arXiv Artificial Intelligence · arxiv.org