MeasHalu：通过增强推理缓解大语言模型科学测量幻觉的框架

中国科学院深圳先进技术研究院团队推出MeasHalu框架，通过细粒度幻觉分类法、推理感知微调和渐进式奖励课程优化，有效缓解大语言模型在科学测量信息提取中的幻觉问题，在MeasEval基准测试上达到与竞赛冠军相当的性能，为AI for Science领域提供关键技术突破。

在AI for Science浪潮中，科学文献测量数据提取是核心需求，但大语言模型常出现幻觉：提取数量、单位、修饰词或关系时生成错误数据，损害自动化理解可靠性。这种问题不仅影响基础研究，还可能导致化学实验失败、药物研发失误等安全隐患，是AI for Science亟待解决的核心挑战。

MeasHalu框架三大核心创新：

1. 细粒度幻觉分类法：将测量幻觉分为数量错误、单位错误、修饰词错误、关系错误四类，针对性纠正；
2. 两阶段推理感知微调：第一阶段监督微调学习正确提取模式，第二阶段强化学习优化复杂推理决策；
3. 渐进式奖励课程优化：类型特定惩罚随训练难度递增，提升推理稳定性。

MeasEval基准测试表现

模型	F1分数
MeasHalu-7B	0.512
LIORI（竞赛冠军）	0.519
GPT-5（优化提示）	0.406
Gemini-2.5-Pro（优化提示）	0.440
CONNER	0.473
MeasHalu-7B性能接近竞赛冠军，比GPT-5高10+F1分。

细粒度熵分析

语义角色	熵减少	峰值比率减少
数量	↓52.1%	最小波动
关系	↓42.7%	↓56.8%
模型推理稳定性显著提升。

具身智能应用

可从实验文本生成执行操作序列： 输入："将100mg样品加热至80°C" 输出：ADD(100 mg), HEAT(80°C) 助力自动化实验室与智能科研助手。

学术认可与开源

成果被ACL 2026 Findings接收，代码/模型/数据集开源（GitHub：https://github.com/CAS-SIAT-XinHai/MeasHalu），将作为MeasureMine框架核心组件，后续推出MeasBench基准。

技术启示

1. 问题分解价值：细粒度分类提升针对性；
2. 过程监督重要性：关注推理过程增强稳定性；
3. 领域优化必要性：通用模型需适配科学领域。

未来展望

MeasHalu类专业化框架将推动AI for Science发展，团队后续将推出MeasBench全面基准测试，构建更可靠的科学智能系统。