Los autores proponen CheckRLM, un marco que mejora la fiabilidad de los Modelos de Lenguaje de Razonamiento mediante el uso de Generación Aumentada por Recuperación para verificar y corregir oportunamente errores factuales durante la inferencia. Este enfoque extrae afirmaciones factuales de las cadenas de razonamiento para identificar inconsistencias y aplica correcciones de mínimo costo mediante conocimiento externo.
- Extrae afirmaciones factuales para localizar inconsistencias sutiles en el conocimiento.
- Realiza correcciones precisas aprovechando el conocimiento externo tras la detección de errores.
- Mitiga la acumulación de errores en el razonamiento de largo alcance con menores costos.
- Supera sustancialmente a las líneas base existentes en experimentos extensos.
CheckRLM asegura la coherencia entre la cadena de razonamiento y el conocimiento correcto, abordando el problema de los errores factuales en tareas intensivas en conocimiento.