2025_NIPS_Decompile-Bench: Million-Scale Binary-Source Function Pairs for Real-World Binary Decompil

文章核心总结

主要内容

该文章聚焦于开放域对话生成中的“事实一致性”问题（即模型生成内容与真实世界知识不符、存在虚构信息的问题），提出了一种名为FaithDial的解决方案。文章首先分析了现有开放域对话模型在事实准确性上的缺陷，随后构建了包含事实核查信号的对话数据集，并设计了融合事实约束的训练框架，最终通过实验验证了该方法在提升对话事实一致性、同时保持对话流畅度和相关性方面的有效性。

创新点

1. 数据集创新：构建了首个带事实核查标注的开放域对话数据集FaithDial，每个对话样本包含“事实主张-核查结果-修正信息”三元组，为模型学习事实一致性提供了明确监督信号。
2. 训练框架创新：提出“事实感知对话生成”框架，将事实核查模块与对话生成模块融合，在生成过程中引入事实约束，避免模型生成无依据的虚构内容。
3. 评估维度创新：除传统对话流畅度、相关性指标外，专门设计了事实一致性评估体系（包括自动核查与人工评估），填补了开放域对话中事实准确性评估的空白。

文章关键部分翻译（Markdown格式）

<