用RL增强的智能体检索生成生物医学事实核查报告

自动化事实核查对保障公共健康信息的可靠性至关重要，但生物医学领域带来独特挑战。验证生物医学论断需要严格解读科学文献、评估检索到的证据，并给出面向结论的全面论证。尽管由检索增强生成（RAG）和智能体检索增强的大语言模型（LLM）能以“先检索后验证”的范式执行自动化事实核查，现有方法仍只输出孤立的预测标签，缺乏解释深度，对人类理解的帮助有限。为弥合这一差距，我们提出BioCheck Agent——一个基于LLM的智能体，通过智能体检索生成结构化的生物医学事实核查报告。我们的智能体不是仅仅输出支持或反驳的标签，而是将最终结论与检索证据和严谨分析综合起来。为确保领域准确性，BioCheck Agent只在PubMed中检索高质量科学文献，并利用高级布尔检索算子。考虑到直接提示常导致幻觉和低质量报告（对轻量级开源模型尤甚），我们进一步提出证据接地的组相对策略优化（EG-GRPO），用任务特定奖励对BioCheck Agent进行强化学习，奖励先进的检索行为和高质量证据检索，同时惩罚幻觉。实验结果表明，与基座模型Qwen3.5-4B相比，配备EG-GRPO的BioCheck Agent在SciFact上的标签预测准确率提升9.95%。此外，它取得高3.7%的证据质量分数和低19.63%的证据幻觉率，证明其生成更准确、更高质量生物医学事实核查报告的能力。