SOPO：苏格拉底引导的多轮RL用于幻觉检测，RAGTruth达SOTA

论文作者（Jiawei Dong 等）提出 SOPO，一种用于片段级幻觉检测的多轮强化学习框架：教师模型在 rollout 中基于 ground truth 提供间接提示，以缓解奖励稀疏与长度膨胀问题。 据论文报告，SOPO (4B) 在 RAGTruth 基准上达到 SOTA，超越 GPT-5 等专有模型和标准 RL 基线，并在四个域外基准上的平均分数高于 GRPO；但作者称与 CAPO 的对比证据尚不一致（mixed evidence）。1.7B 和 4B 模型及训练评估代码已开源。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。