大型语言模型规模对数据到文本生成中的事实不一致性的指数影响：统计验证

本研究针对数据到文本生成（D2T）中的事实不一致性问题，填补了现有文献中的空白。通过引入统计验证框架，探讨了大型语言模型（LLM）规模对事实不一致性的影响，发现与传统假设不同，事实不一致性随LLM规模呈指数增长。这一发现对于提升D2T生成的可信性具有重要意义。