只说你所知道的：长篇事实的校准感知生成

大型推理模型在复杂任务上实现了强大的性能，但仍然容易产生幻觉，特别是在长格式生成中，其中错误在推理步骤中复合。现有的提高事实性的方法，包括放弃和事实驱动的优化，遵循\emph{耦合探索-承诺}范式，其中中间推理无条件传播到最终输出，限制了对信息选择和集成的细粒度控制。在本文中，我们提出了一种 \textbf{探索-承诺解耦} 范式，将知识探索与最终承诺分开，使模型能够在谨慎回答的同时有意识地进行探索。我们使用 \textbf{校准感知生成（CAG）} 来实例化该范式，该框架为模型配备了端到端的校准感知生成功能，通过使用校准的可靠性估计来增强中间推理，并优先考虑最终输出中的可靠内容。在五个长格式事实性基准和多个模型系列中，CAG 将事实性提高了高达 13%，同时将解码时间缩短了高达 37%。总的来说，我们的工作强调解耦作为更可靠的长格式生成的原则方法，为值得信赖和自我意识的生成系统提供方向。