Les auteurs proposent CheckRLM, un cadre qui améliore la fiabilité des Modèles de Langage de Raisonnement en utilisant la Génération Augmentée par Récupération pour vérifier et corriger rapidement les erreurs factuelles pendant l'inférence. Cette approche extrait les affirmations factuelles des chaînes de raisonnement pour identifier les incohérences et applique des corrections à coût minimal via des connaissances externes.
- Extrait les affirmations factuelles pour localiser les incohérences de connaissances subtiles.
- Effectue des corrections précises en tirant parti des connaissances externes lors de la détection d'erreurs.
- Atténue l'accumulation d'erreurs dans le raisonnement à long terme avec des coûts inférieurs.
- Surpasse largement les bases de référence existantes dans des expériences étendues.
CheckRLM assure la cohérence entre la chaîne de raisonnement et les connaissances correctes, abordant le problème des erreurs factuelles dans les tâches intensives en connaissances.