arXiv · cs.AI · Jiawei Dong, Zilong Bai, Pengtian zhu, Peng Zhou · 9 小时前模型评分31
苏格拉底式引导策略优化（SOPO，Socratic Guided Policy Optimization）：用苏格拉底式引导策略优化做片段级幻觉检测
SOPO: Socratic Guided Policy Optimization for Span-Level Hallucination Detection
导读
研究提出苏格拉底引导策略优化（苏格拉底式引导策略优化（SOPO，Socratic Guided Policy Optimization），Socratic Guided Policy Optimization），一种多轮强化学习框架，通过教师模型在 rollout 中提供间接提示来引导推理轨迹，缓解难例奖励稀疏问题。
分类置信度
中 · 待人工复核
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
事件类型：研究发布
证据摘录
- “To address these issues, we introduce Socratic Guided Policy Optimization (SOPO), a multi-turn RL framework for robust hallucination detection.”
- “We release our training and evaluation code alongside the 1.7B and 4B SOPO models at this https URL .”
来源：arXiv · cs.AI · arxiv.org