近年來，大型語言模型（LLM）在事實核查任務中展現出強大的能力，但一個潛在的問題始終存在：當支援性證據薄弱、稀疏或內部不一致時，模型仍可能做出高度自信的錯誤判斷。為了解決這一可靠性問題，研究人員提出了證據鏈評估（Evidence Chain Evaluation, ECE）框架，該框架允許模型在面對不確定證據時選擇“棄權”，而非被迫做出真/假二值判定。
ECE系統被設計為一個工具驅動的驗證代理。它透過多種途徑（網路搜尋、學術搜尋、可執行檢查等）收集證據，然後返回一個結構化的裁決結果，並附帶置信度分數和來源級別的後設資料。這種設計旨在確保系統在證據不足時能夠主動放棄，而不是強行給出一個可能誤導使用者的結論。
在專門構建的基準測試集ECE-Bench上，ECE取得了以下關鍵指標：標準準確率為91.6%，覆蓋率為93.7%，而在回答的宣告上選擇性準確率達到97.8%。雖然ECE在整體校準指標（如期望校準誤差、Brier得分或AURC）上並未超越最強的檢索基線，但它展示了一個明確的選擇性預測權衡：系統在回答的宣告上保持了極高的準確性，同時僅推遲了95個案例中的6個。值得注意的是，這6個推遲案例中，有5個來自最低的證據可靠性級別L4，這支援了棄權作為一種安全導向機制來處理認識論上薄弱證據的觀點。
研究團隊已將相關程式碼開源，並提供了完整的實驗復現流程。該研究為提升LLM事實核查系統的可靠性和透明度提供了新的思路，尤其適用於對證據質量要求嚴格的應用場景。