SOPO：苏格拉底引导的策略优化用于跨度级幻觉检测

2026年10月26日，arXiv 人工智能板块刊出 Jiawei Dong 等作者的论文，提出 SOPO（Socratic Guided Policy Optimization），一个面向跨度级幻觉检测的多轮强化学习框架。报道称，该方法通过教师模型在 rollout 过程中依据真实答案提供间接提示的苏格拉底式反馈机制，缓解难例上的奖励稀疏问题，并用 Turn-based Advantage Scaling 抑制冗长偏好。作者表示，随论文发布训练与评测代码，以及 1.7B 和 4B 两个规模的 SOPO 模型。目前事件进展停留在论文与方法发布阶段，报道未提及第三方复现、基准对比结果或实际部署情况。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。