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。

该文章介绍了一个名为“felm”的语言模型真实性评估基准，收集了来自语言模型的响应并以细化的方式注释了真实性标签。然而，实验证实，当前的语言模型在忠实地检测事实错误方面还有待提高。