财π新闻 综合《新浪网》2026年10月1日报道，大模型生成统计类报告过程中存在一类特殊的幻觉问题，即便输出的数字完全正确，对应的核心主张仍可能出现错误，这类错误包括将数值比较关系中的“大于”误写为“小于”，或是将原本温和的结论表述进行不合理的强度升级，现有的事后检测方法和提示词约束手段都很难有效识别这类问题。在EMNLP 2026收录的一篇主会论文中，研究团队正式提出名为Claim-Locked Reporting的全新方法，专门用于解决统计文本生成过程中的统计主张失真问题，为大模型生成高可信度统计报告提供了新的技术路径。

统计主张失真问题的具体表现与现实场景

这类特殊的幻觉问题被研究团队定义为统计主张失真，具体指生成内容中的数字完全保留了原始数据源中的数值，却在比较方向、适用条件或结论强度上出现偏差，最终导致报告传递的核心科学结论发生实质性改变。这类错误在数字密集的统计文本生成场景中尤为常见，包括临床试验总结、科研报告生成以及AI审稿等场景，EMNLP 2026官方开展的AI审稿实验中就出现了两个极具代表性的案例，一组85.9%和79.5%的对比数据，被AI审稿意见错误表述为85.9%略低于79.5%，原本仅表述为“观察到提升”的实验结果，也被错误升级为“证明了某条件是必要的”，数字完全正确但核心含义完全偏离原始结论。

在功能磁共振成像相关的科研报告生成场景中，这类失真问题同样普遍存在，即便底层的统计分析结果已经完全固定，大模型在多次生成过程中仍可能出现不同版本的报告，部分报告会遗漏特定实验发现，部分会替换不同的数值细节，还有部分会用强度差异极大的措辞描述完全相同的组间效应，这些变化都会直接改变报告中承载的证据内容，即便底层原始统计结果没有任何变动，不同版本报告中呈现的实验发现集合、数值细节以及解释强度都可能出现明显差异。

这类问题的核心危害在于，普通的事实校验机制很容易将这类内容判定为完全符合事实的正确输出，因为所有出现的数字都能在原始数据源中找到对应出处，校验系统无法识别数字背后的逻辑关系和表述强度已经发生偏移，最终导致生成的报告看似所有内容都有依据，实际传递的统计含义已经完全失真，在医疗、科研这类对结论严谨性要求极高的场景中，这类错误可能引发严重的后续影响。

现有主流评估指标的固有局限

研究团队在使用现有主流评估指标对同一批临床试验报告进行测试时，发现了明显的评估反差，采用Claim-Locked Reporting方法生成的报告在FActScore指标中排名最后，却在SelfCheckGPT指标中排名第一，这一结果直接暴露了两类常用评估指标各自存在的局限性。FActScore的核心评估逻辑是将生成文本拆分为细粒度的事实单元，逐一检查每个单元是否能在原始证据中找到对应支持，这种评估机制会直接漏掉数字正确但方向反转的错误，在实际测试案例中，一份将效应方向完全写反的报告，因为复用了证据中的全部原始数字，仍然拿到了FActScore的满分，反而另一份准确表达了数值从2.77上升到5.76的正确报告，被错误判定为零分。

SelfCheckGPT的评估逻辑则聚焦于大模型多次采样输出的内容一致性，它可以有效识别不稳定的随机错误，但内容的一致性完全不等于内容的正确性，如果大模型在多次生成过程中每次都犯完全相同的统计主张错误，仍然可以在SelfCheckGPT评估中拿到很高的分数，无法识别出这类系统性的方向或强度偏差。这两类指标的评估结果充分说明，事实是否能找到对应证据、多次采样输出是否一致，和统计关系是否被准确保留是三个完全独立的问题，前两项得分表现优异，完全不能等同于报告完整保留了原始的统计含义。

此前行业内常用的两类控制手段也存在明显的层级缺口，文本层面的控制手段包括提示词约束、检索增强生成、结构化输出以及事后验证，这类方法可以在一定程度上约束生成过程或输出形式，但最终选择表述哪些统计推论、用多强的措辞进行表述的决定权仍然掌握在大模型手中。槽位层面的控制手段会将选定的字段和确定性的表层生成逻辑结合，保证选定字段的渲染结果完全一致，但无法决定最初应该选择哪些字段填入槽位，只要大模型仍然拥有选择槽位内容的权限，不同生成轮次之间的报告数字、方向和语言强度仍然可能出现波动。

Claim-Locked Reporting方法的核心实现路径

Claim-Locked Reporting方法的核心设计思路是减少大模型的自主决定权，而非单纯寄希望于大模型在生成过程中更加谨慎小心，采用“先锁定主张，再生成正文”的全新流程，在大模型动笔撰写任何 prose 内容之前，就提前确定每一条可报告主张对应的证据来源、具体数值、效应方向以及允许使用的最强措辞，从根源上避免大模型随意修改统计主张的核心属性。整个方法的执行流程分为三个明确的步骤，完全重构了传统统计报告的生成逻辑。

第一步是将所有结构化的统计结果整理成有据可查的主张账本，由专门的主张构建器将原始的结构化证据记录转换为标准化的主张账本，每一条进入账本的主张都绑定了对应的原始证据来源、具体数值、效应方向，所有内容都完全来自预先计算完成的统计结果，不允许大模型自主选择要纳入报告的统计发现，从源头排除大模型随意增减内容的可能性。第二步是由风险审计器和策略控制器逐一检查主张账本中的每一条内容，判断哪些主张是允许被纳入最终报告的，同时严格限制每一条主张可以使用的措辞强度，避免出现超出证据支撑能力的过度表述。

第三步是由确定性的渲染器从主张账本中直接输出所有固定内容，包括数字、表格、实体标签以及方向标识，大模型仅负责在这些已经完全锁定的主张之间撰写衔接性的过渡段落，完全不参与核心统计内容的生成和调整。这种设计彻底改变了大模型在统计报告生成流程中的权限边界，大模型不再拥有决定报告核心统计内容的权限，仅承担语言润色和内容衔接的辅助功能，从根本上规避了大模型自主选择内容时可能出现的统计主张失真问题。

实验验证结果与实际性能表现

研究团队分别在功能磁共振成像功能连接报告生成、基于Evidence Inference 2.0数据集的随机对照试验报告生成两个场景中，对Claim-Locked Reporting方法进行了全面测试，和传统的混合模板基线方法相比，该方法在两个场景下的内容复现率分别提升了37.4个百分点和20.5个百分点，传统的确定性混合模板在不同随机种子下，仅能复现61.1%的报告可见数值内容，而Claim-Locked Reporting方法的数值复现率最高可以达到100%，所有测试生成的报告中完全没有出现统计方向反转的错误。

在采用DeepSeek模型开展的功能磁共振成像生成成本分析实验中，Claim-Locked Reporting方法同时实现了最低的观测token使用量和最短的中位生成延迟，整体生成开销远低于其他对比方法。研究团队还配套开展了设盲人工审计，审计结果完全支持该方法在方向保留和内容管控方面的实际表现，所有人工审核的样本中都没有出现超出允许强度的过度表述，不同生成轮次之间的核心统计内容完全保持一致，不会因为随机种子的变化出现内容漂移。

这套方法的核心贡献在于将统计主张失真问题明确界定为大模型生成统计报告过程中的控制问题，提出报告中承载证据的核心内容应当由预先完成的结构化统计结果直接固定，而不是在生成正文的采样过程中随机确定，同时采用跨生成轮次的复现性作为压力测试手段，验证所有承载证据的数字和主张是否在撰写正文之前就已经完成绑定，为大模型在科研、医疗这类高严谨性场景下的统计报告生成应用提供了可靠的技术支撑。

(编辑：付健)