迈向稳健的数值验证

大语言模型 (LLM) 广泛用于索赔验证，但对于数值推理来说仍然很脆弱：即使值的微小变化也会急剧降低准确性。我们表明，这种脆弱性在前沿大语言模型中仍然存在，但可以通过对数值扰动的例子进行对抗性微调来减轻。使用参数高效的微调，小型 Qwen3 模型 (0.6B$\unicode{x2013}$8B) 在标签翻转扰动方面达到 98.7% 的准确度，优于较大的零样本模型和前沿系统（GPT-5.4 Pro (74.0%) 和 Gemini 2.5 Flash (73.9%)）。这些增益泛化到看不见的扰动类型，表明稳健的数值决策边界而不是记忆的编辑。鲁棒性还可以在没有目标域数据的情况下进行传输，从而显着提高西班牙语的跨语言性能。我们使用维生素C 数据集进一步表明，相同的微调方法赋予了对证据侧扰动的鲁棒性。