SOPO：面向片段级模型幻觉检测的苏格拉底式引导策略优化

研究人员提出用于片段级模型幻觉检测的多轮强化学习框架 SOPO，利用教师模型间接提示的苏格拉底反馈机制缓解奖励稀疏，并结合轮次优势缩放抑制长度膨胀。SOPO（4B）在 RAGTruth 上超越 GPT-5 等专有模型与标准 RL 基线，在 4 个域外基准上的平均分优于 GRPO。相关训练评测代码及 1.7B、4B 模型已开源。