虚假新闻的快速传播对信息生态系统构成日益严重的威胁，尤其是当AI生成错误信息通过生成引擎优化（GEO）污染被对抗性操纵时，检索系统会系统性地呈现这些内容，从而污染大语言模型（LLM）的推理过程。针对这一问题，来自Zhaoqi Wang等七位作者的研究提出了Tree of Evidence（ToE），一个用于自动化事实核查的分层证据推理框架。该论文于2026年6月26日提交至arXiv，属于人工智能（cs.AI）和密码学与安全（cs.CR）领域。
ToE的核心思想是将每个待验证的声明建模为一棵动态扩展的论证树。与传统的扁平化事实核查方法不同，ToE通过迭代分解、检索和验证过程，构建一条可解释的证据链。具体而言，该框架集成了三个关键组件：一个由强化学习驱动的多源检索智能体，负责从多个来源动态收集相关证据；一个证据评估智能体，对检索到的证据进行质量和相关性判断；以及一个论证树聚合算法，将分散的证据片段组织成结构化的论证树，从而支持分层推理。
为了确保检索过程的有效性，作者还对检索过程进行了理论分析，推导出一个形式化的误差界，证明学习到的策略能够收敛到信息论最优策略的邻域内。这一理论结果为ToE的可靠性提供了保证，并解释了为何强化学习驱动的检索策略能够在复杂信息环境中保持稳健。
实验方面，研究团队在多个数据集和基础LLM上评估了ToE的性能。结果表明，与竞争基线相比，ToE取得了4到24个百分点的提升，尤其是在对抗性毒化输入上，增益更为显著。这验证了ToE在应对GEO污染等对抗性攻击时的有效性。例如，当检索系统被恶意内容污染时，ToE能够通过多源交叉验证和证据评估机制，识别并排除不可靠信息，从而维持事实核查的准确性。
总之，ToE通过分层可解释的推理框架，为自动化事实核查提供了一种新颖且有效的解决方案。其结合强化学习检索、证据评估和树聚合的方法，不仅提升了验证性能，还增强了过程的可解释性，对于抵御AI生成错误信息和GEO污染具有重要意义。未来工作可能进一步探索该框架在更广泛场景下的适应性和效率优化。