大型语言模型（LLM）在多任务上表现强劲，但“编造/幻觉”导致事实性不足，限制了实际可信度。论文SLED: Self Logits Evolution Decoding for Improving Factuality in Large Language Models指出，相比训练或检索式增强，解码阶段的干预成本低、可组合且不需外部知识或再训练，因此成为提升事实性的有效抓手。作者观察到：模型“知道的”（潜在知识）与“说出来的”（最终层logits经softmax得到的输出分布）之间常存在偏差；若能在推理时更好地调动早期层中已学到的事实线索，就可能把输出分布拉回真实分布。为此，论文提出SLED（Self Logits Evolution Decoding）自我logits演化解码，核心思想是对比“最终层logits”与“早期层logits”以估计真实分布的替身（Platent），再对最终层logits做一次近似“梯度下降”式的自我修正，从而提高事实一致性。
SLED通过“多层对比→真实分布软估计→单步自我演化”在不依赖外部知识与再训练的前提下，一致性地提升了事实性；在Gemma、Qwen、Mixtral、gpt-oss等不同家族与规模、TruthfulQA/FACTOR等基准上均取得优于贪心与DoLa的结果，同时保持流畅自然的语言质量与可忽略的时延开销，并能与其他方法灵活组合。论文主要贡献总结如下：
• 提出了 SLED，一种在不依赖外部知识或微调数据的情况下，使 LLM 输出与事实知识对齐的新型解码方法。
• 在各种 LLM 配置和规模上进行了广泛实验，结果表明 SLED 在多种任务和基准上一致地提高了事实准确性。
• SLED 可以灵活地与其他事实性解码方法结合，进一步增强它们的性能。
• 为理解层级对比解码方法提供了新的可解释性视角，为事实性解码的进一步发展铺平了道路。
论文作者为Jianyi Zhang, Da-Cheng Juan, Cyrus Rashtchian, Chun-Sung Ferng, Heinrich Jiang, Yiran Chen，来自Duke University, Google Research。
SLED on GitHub: https://github.com/JayZhang42/SLED