PERPL：按读者偏好改写事实核查解释

论文用模拟读者相对偏好训练轻量改写器，实现个性化事实核查解释。

资讯摘要

论文提出“忠实个性化事实核查解释改写”任务，即在保持事实忠实的前提下，把已有解释改写为适配不同读者的版本。作者提出 PERPL 框架：先用跨人格互配对从 LLM 模拟读者偏好中构建人格专属监督，再以探索引导的偏好优化训练轻量改写器。论文报告称，PERPL 在个性化偏好对齐上优于更大的通用 LLM，并保持较高事实忠实度。

要点速读

1. 任务定义为 Faithful Personalized Fact-Checking Explanation Rewriting，要求改写后仍保持事实忠实。
2. PERPL 含模拟偏好构建与渐进偏好学习两部分，后者先训练轻量改写器再做探索引导的偏好优化。
3. 论文报告实验显示 PERPL 在个性化偏好对齐上超过更大的通用 LLM，同时保持高事实忠实度。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。