Decision Models 作为幻觉检测裁判的评测研究

论文构建了覆盖五种幻觉类型的二元基准（9,852 条样本，来自六个数据集），将五个决策模型与生成式裁判 gpt-6-sol 对比。结果显示表现强依赖类型：最佳决策模型在上下文不一致任务上平衡准确率追平 gpt-6-sol，事实错误上差距在 3 个百分点内，但在逻辑与指令不一致上落后 4-8 个百分点。