先锁定证据、方向与措辞边界，再让模型生成统计报告。
冷月清谈：
怜星夜思：
2、“结论最多能说多强”该由谁来定，规则、领域专家还是另一个模型？
3、这种“主张账本”思路还能迁移到哪些生成任务，哪些场景反而不适合？
4、如果现有事实性指标会放过“数字正确、含义错误”，新的评测体系该怎么设计？
原文标题：EMNLP 2026｜「AI把数字说歪」，官方AI审稿现场演示了一遍
原文作者：机器之心
原文内容
现如今大模型生成报告越来越流行，然而幻觉问题始终影响着报告的可信度。现有方法经常通过 prompt 叮嘱模型小心，或者写完后用幻觉检测查一次。然而，有一种错误这些检查很难查到：数字填写正确，Claim 是错的。例如说大于写成小于，可能写成显著，这些错误不是后测可以检查的。
上述错误尤其发生在输入文本中数字非常多的情况下，这种输入包含一堆数字输出是一段人话，一般叫做统计文本生成。例如临床总结、报告生成和 AI 审稿。
本文提出 Claim-Locked Reportiing 用于解决此类问题，保证输出报告的重复率和可信度。
-
论文标题： Provenance Before Prose: Claim-Locked Reporting for Statistical Text Generation
-
录用信息：EMNLP 2026 Main Conference
-
预印版地址：https://arxiv.org/pdf/2608.25336
作者樊潇，主要研究方向为 AI4Neuroscience、Agent 和图像信号处理。
今年 EMNLP 官方开展了 AI 审稿实验。作者团队收到的 AI 审稿意见里，出现了两个很有代表性的问题：
-
方向反了：85.9% 和 79.5%，审稿意见写成了 85.9%「略低于」79.5%；
-
强度升级：我们说「观察到提升」，审稿意见却写成「证明了…… 是必要的」。
数字抄对了，意思却变了。
仔细想想，审稿中评价实验结果的部分，也在做统计报告生成：读一篇满是数字的论文，再把这些结果组织成评价。它不仅要记住数字，还要保留数字之间的关系，以及这些结果究竟能支持多强的结论。
这正是这篇论文关注的问题：数字都有出处，不代表整句话就说对了。
现有指标为什么会漏掉这类错误？
团队用 FActScore 和 SelfCheckGPT 评估同一批临床试验报告，发现了一个反差：我们的方法在 FActScore 中排名最后，在 SelfCheckGPT 中却排名第一。
两个指标关注的东西并不一样。
FActScore 检查拆分后的事实是否有证据支持。但在一个案例中，报告把效应方向写反了，却因为复用了证据里的数字，仍然拿到了满分。另一个案例正确表达了数值从 2.77 上升到 5.76，反而被判了零分。
SelfCheckGPT 关注多次采样的输出是否一致。它能帮助发现不稳定的回答，但一致本身不等于正确：一个模型如果每次都犯同样的错，也可能得到不错的分数。
这说明，事实支持、采样一致性和统计关系是否保留，是不同的问题。前两项得分高，并不能直接说明报告保住了原来的统计含义。
先锁定能说什么，再让模型动笔
团队把这类问题称为「统计主张失真」（statistical claim distortion）：数字可能没变，但比较方向、适用条件或结论强度发生了变化，报告实际说出的科学结论也就变了。
一种直觉是，给模型更严格的提示，或者写完后再检查。固定模板也能减少一部分错误。不过，只要仍由模型选择填入哪些结果，它就仍然可能挑对了数字，却讲错了结论。
因此，团队提出 Claim-Locked Reporting：先锁定 claim，再生成正文。
这里的 claim，可以理解为报告中一条有证据支撑的具体陈述。模型动笔前，每条陈述的证据来源、数字、方向，以及允许使用的最强措辞，都已经确定。
图 1：从约束文本、固定模板槽位，到提前锁定统计主张。区别在于，模型还可以决定多少与统计结论有关的内容。
具体怎么做？可以分成三步。
第一步，把统计结果整理成有据可查的主张。
系统接收已经计算好的结构化结果，再把它们整理成「主张账本」。每条主张都关联到对应证据，并记录需要报告的数字、方向和表达强度。缺少必要证据的主张，不进入账本。
比如，某项脑功能连接分析在初始模型中发现了 10,041 条显著的组间差异连接，但加入 BMI 调整后，只剩 8 条。这两个结果需要放在一起解释。因此，系统会把调整前后的数字绑定到同一条主张，而不是让模型自由挑选其中一个。
第二步，检查这条主张有没有被说过头的风险。
风险审计器检查数值有没有支持、方向是否对应、推断有没有超出证据范围，再由策略层把这些风险变成具体的表达限制。
还是上面的例子：如果组别本身就由 BMI 划分，而调整 BMI 后差异又大幅减少，就不能轻易把初始结果写成「独立的肥胖效应」。
这里有一条明确的规则：策略层只能把措辞往弱压，不能往强推。证据不足以支持的强结论会被限制；不允许报告的主张，则直接排除。
第三步，代码负责固定内容，模型负责把话接顺。
数字、表格和方向标记由代码依据账本直接呈现。语言模型负责在约束下撰写简短的衔接段落，不再自由决定报告哪些数字、把方向写成什么，以及把结论说得多强。
这样，上面的报告就会同时呈现「10,041 条降至 8 条」，并谨慎解释调整后的变化，而不是只引用初始数字，再顺手补上一句「证明了稳健的肥胖特异性机制」。
减少模型的决定权，效果怎么样？
团队在 fMRI 脑功能连接报告和临床试验报告上做了验证：
-
同一份证据，多次生成时数字更稳定。相比混合模板，fMRI 报告的跨次生成数值复现率从 61.1% 提高到 98.5%；临床试验报告从 79.5% 提高到 100%。
-
方向更不容易写反。在临床试验报告的盲审测试中，各基线方法的方向反转率为 5.6%–14.3%，团队的方法没有出现方向反转。
-
生成开销也更低。在使用 DeepSeek 的 fMRI 成本实验中，团队的方法 token 用量和生成耗时中位数都是最低的。
这些结果不意味着报告从此不会出错。上游统计分析如果有问题，锁定主张也无法把它变正确。但对于已经确定的证据，可以减少它在写成文字时被改写、遗漏或夸大的机会。
不要只指望模型「更小心」，而是减少它有权决定的东西。
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com