本文探讨了提升大型语言模型事实准确性的方法，包括无监督微调、事实增强训练和自动偏好优化（APO）框架。研究表明，通过优化算法和自我评估，模型生成文本的准确性显著提高。同时，提出了FActScore评估生成文本真实性的新方法，发现当前模型在检测事实错误方面仍存在不足。整体目标是提升语言模型的可靠性和准确性。

本文综述大语言模型事实性评估研究，提出FActScore方法，将文本分解为原子事实并计算支持比例，发现ChatGPT精度仅58%；还介绍了FELM基准、LongDocFACTScore长文档评估框架及事实增强训练方法，指出当前模型检测事实错误能力仍不足。