DecomposeRL：学习提出有用、信息丰富且多样化的问题以进行半监督、可追踪的声明验证

声明验证在端到端分类器之间进行划分，这些分类器是准确的，但不会产生可检查的痕迹，而基于分解的方法会产生可检查的痕迹，但在基准数据集上表现滞后。我们提出 DecomposeRL 是一种准确的声明验证器，可以产生可检查的痕迹。 DecomposeRL 将分解构建为使用 GRPO 和多方面奖励集合训练的 RL 策略，从而能够从未标记的声明中进行完全监督和半监督学习。 DecomposeRL 通过数据管理漏斗解决了 GRPO 高昂的训练成本问题，该漏斗将 115K 事实验证声明提炼成 5K 声明的紧凑、学习信号密集的子集。我们表明，仅对约 5K 精选声明进行全面监督训练的 DecomposeRL-7B 策略在包含生物医学、政治、科学和一般领域声明的 11 个声明验证基准中实现了 86.3 的域内平衡准确度和 69.8 的域外平衡准确度。尽管小了 4 倍，但它与 32B 基线和 GPT-4.1-mini 匹配，并且在只有 10% 标记索赔数据的半监督环境中进一步优于基线。代码、数据和模型可在 https://dipta007.github.io/DecomposeRL 获取