实验研究：混合检索与开源 LLM 结合做科学论断验证

该研究构建了一个包含 2,035 条论断的基准，数据来自 SciFact 和 CliniFact（858 条 Support、152 条 Contradict、1,025 条 Not Enough Evidence）。检索环节用语义检索加 BM25 的混合方法为每条论断取最相关的五句话，效果略优于单一方法。对比 DeBERTa-v3 NLI 基线与 Llama 3.1 8B、Qwen3 8B、Mistral 7B 三个模型，Qwen3 的 Macro-F1 最高，达 0.7937，NLI 基线仅 0.3157。与假设相反，两者一致才下结论的保守融合规则反而降低表现，Qwen3 的 Macro-F1 从 0.7937 降至 0.7392，错误分析显示分歧时常把 LLM 本来正确的判断改错。