--- title: "Chain-of-Verification (RO)" source: "https://systems-analysis.info/int/Chain-of-Verification_(RO)" wiki: "systems-analysis.info/int" article: "Chain-of-Verification_(RO)" language: "ro" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" - "Category:Romanian" revision_id: 884 wiki_created_at: 2026-09-06T22:40:14Z wiki_modified_at: 2026-09-06T22:40:14Z downloaded_at: 2026-09-07T22:42:53Z --- # Chain-of-Verification (RO) **Chain-of-Verification (CoVe)** — este o metodă propusă pentru reducerea numărului de **halucinații** (generarea de răspunsuri factual incorecte, dar plauzibile) în modelele lingvistice de mari dimensiuni (**LLM**)[\[1\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-arxiv-original-1). Abordarea, dezvoltată de un grup de cercetători de la Meta AI sub coordonarea lui **Shehzaad Dhuliawala** și prezentată în lucrarea «Chain-of-Verification Reduces Hallucination in Large Language Models» (2023), face parte din clasa metodelor de **autoverificare** și **autocorecție** (self-verification) ale LLM[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-aclanthology-findings-2). Ideea principală a CoVe constă în verificarea etapizată a răspunsului generat de către modelul însuși, fără a apela la surse externe[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-aclanthology-findings-2). Aceasta determină sistemul să depună mai mult efort „rațional" în autoanaliza răspunsului și în corectarea propriilor erori, înainte de a prezenta răspunsul utilizatorului[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-aclanthology-findings-2). ## Fundal: halucinațiile în modelele lingvistice Modelele lingvistice de mari dimensiuni (LLM) suferă adesea de fenomenul „halucinațiilor" – generarea de răspunsuri care par plauzibile, dar sunt factual incorecte[\[3\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-medium-cove-3). Această problemă este larg recunoscută ca nerezolvată în domeniul NLP: chiar și modelele moderne pot furniza informații false cu un grad ridicat de încredere, inducând utilizatorii în eroare[\[1\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-arxiv-original-1). De exemplu, un model poate „inventa" convingător un fapt inexistent sau poate confunda datele biografice ale unei personalități cunoscute. Deoarece astfel de erori factuale sunt greu de detectat fără o verificare detaliată, cercetătorii dezvoltă activ metode pentru reducerea numărului de halucinații în răspunsurile LLM. ## Etapele metodei CoVe Metoda Chain-of-Verification se implementează prin patru pași secvențiali[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-aclanthology-findings-2)[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-aclanthology-findings-2): 1. **Generarea răspunsului de bază**. Modelul, fără instrucțiuni speciale, generează un răspuns inițial la interogarea de origine (ipoteza de bază a răspunsului)[\[3\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-medium-cove-3). Acest răspuns preliminar servește ca punct de plecare și poate conține halucinații care urmează să fie descoperite în pașii următori. 2. **Planificarea întrebărilor de verificare**. Având întrebarea inițială și răspunsul generat, modelul formulează o listă de întrebări clarificatoare care verifică corectitudinea factuală a afirmațiilor din răspunsul de bază[\[3\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-medium-cove-3). Aceste **verification questions** vizează faptele-cheie ale răspunsului și ajută la identificarea posibilelor erori sau inexactități. 3. **Executarea verificării (verificarea propriu-zisă)**. Modelul răspunde ulterior în mod secvențial și independent la fiecare dintre întrebările de verificare formulate, încercând să nu se bazeze pe răspunsul inițial pentru a evita prejudecățile[\[3\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-medium-cove-3). Răspunsurile obținute sunt comparate cu răspunsul inițial pentru a detecta contradicții sau erori: astfel sunt identificate segmentele din răspunsul inițial care nu sunt susținute de fapte. 4. **Formularea răspunsului final**. În cele din urmă, pe baza discrepanțelor identificate, modelul generează un răspuns final corectat[\[3\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-medium-cove-3). În acest răspuns sunt introduse ajustări ținând cont de rezultatele verificării, ceea ce îi sporește acuratețea factuală și reduce probabilitatea halucinațiilor. Fiecare dintre aceste etape este executată prin interogări suplimentare adresate aceleiași LLM, dar cu instrucțiuni diferite[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-aclanthology-findings-2). Adică, modelul joacă pe rând rolul celui care răspunde, apoi al celui care verifică (formulează întrebări și răspunde la ele) și al editorului rezultatului final. ## Variante de implementare a verificării Autorii metodei au testat mai multe moduri de implementare a etapei de verificare, care diferă prin modul de formulare și obținere a răspunsurilor la întrebările de verificare[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-aclanthology-findings-2): - **Abordarea combinată (Joint)**. Modelul generează atât întrebările de verificare, cât și răspunsurile la acestea în cadrul unei singure interogări. Această variantă este mai puțin preferabilă, deoarece modelul, răspunzând imediat, poate halucina fapte și poate repeta erorile răspunsului inițial din cauza deplasării[\[3\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-medium-cove-3). - **Abordarea în doi pași (2-Step)**. Întrebările de verificare sunt mai întâi generate printr-o interogare separată, iar apoi, într-o interogare ulterioară, modelul răspunde la lista de întrebări formată[\[3\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-medium-cove-3). Separarea etapelor ajută la evitarea influenței răspunsului inițial în momentul generării întrebărilor. - **Verificarea separată (Factored)**. Modelul răspunde **separat la fiecare** întrebare de verificare, utilizând mai multe interogări secvențiale (câte una per întrebare)[\[3\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-medium-cove-3). Această abordare previne simpla copiere a fragmentelor din răspunsul inițial: răspunsurile la întrebările de verificare sunt formulate în mod autonom, ceea ce reduce riscul repetării halucinației inițiale. Dezavantajul este costul computațional crescut, deoarece numărul de interogări crește proporțional cu numărul de întrebări. - **Verificarea separată cu revizuire (Factored + Revise)**. După obținerea răspunsurilor la toate întrebările de verificare, modelul execută o etapă suplimentară de comparare și **revizuire**. Printr-o interogare separată, acesta confruntă faptele obținute cu răspunsul inițial și marchează explicit neconcordanțele, după care generează răspunsul final cu corecțiile necesare[\[3\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-medium-cove-3). Acest pas suplimentar obligă sistemul să analizeze mai atent discrepanțele și să integreze informațiile corectate în rezultatul final. ## Rezultate experimentale Metoda Chain-of-Verification a fost testată pe o serie de sarcini sensibile la acuratețea factuală a răspunsurilor[\[1\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-arxiv-original-1). Printre acestea s-au numărat: întrebări de enumerare a faptelor din baze de cunoștințe (liste din Wikidata și categorii Wikipedia), întrebări cu răspunsuri multiple din diferite părți ale textului (MultiSpanQA), precum și sarcini de generare a textului extins (de exemplu, biografii)[\[1\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-arxiv-original-1). Rezultatele au arătat o **reducere semnificativă a halucinațiilor** pentru toate tipurile de sarcini atunci când s-a utilizat CoVe față de modelele originale fără autoverificare[\[1\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-arxiv-original-1). Deosebit de eficientă s-a dovedit varianta factored + revise – verificarea separată cu confruntarea finală a faptelor. Această abordare a oferit cele mai bune rezultate de acuratețe: de exemplu, în sarcina de generare a textului biografic, aplicarea CoVe la modelul **LLaMA-65B** (un LLM cu 65 de miliarde de parametri) a crescut metrica sa factuală **FactScore** de la ~63,7 la ~71,4 puncte[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-aclanthology-findings-2). Creșterea FactScore indică faptul că răspunsurile finale au început să conțină mai multe fapte verificate și mai puține informații inventate. Mai mult, LLM cu lanțul de verificare integrat a reușit să depășească chiar și unele sisteme mai puternice sau special echipate. Astfel, LLaMA-65B cu CoVe a obținut un FactScore mai ridicat decât **ChatGPT** (modelul OpenAI) și a depășit **Perplexity.ai** — un model augmentat cu căutare pe internet pentru susținerea factuală a răspunsurilor[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-aclanthology-findings-2). Acest lucru este remarcabil, deoarece Perplexity utilizează surse externe pentru căutarea informațiilor, în timp ce CoVe obține îmbunătățirea calității bazându-se exclusiv pe capacitățile interne ale modelului de raționament și autoverificare[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-aclanthology-findings-2). Este adevărat că, în cazul faptelor extrem de rare (când sunt necesare cunoștințe specifice), sistemele de tip retrieval precum Perplexity păstrează în continuare avantajul, însă pentru majoritatea întrebărilor CoVe a oferit răspunsuri mai precise[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-aclanthology-findings-2). ## Limitări și perspective Trebuie menționat că, deși Chain-of-Verification reduce considerabil ponderea halucinațiilor, această metodă nu le poate elimina complet. Modelul poate în continuare comite erori dacă întrebările de verificare nu au acoperit un detaliu incorect sau dacă LLM însăși nu cunoaște faptul corect. În plus, CoVe **sporește sarcina computațională**: pentru o singură interogare a utilizatorului este necesară executarea mai multor apeluri secvențiale la model (generarea răspunsului, generarea întrebărilor, răspunsurile la acestea, asamblarea finală), în timp ce un model obișnuit răspunde într-un singur pas[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-aclanthology-findings-2). Cu toate acestea, autorii demonstrează că din punct de vedere al costurilor totale, CoVe este comparabil cu alte abordări în mai mulți pași pentru detectarea halucinațiilor și rămâne o soluție practică[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-aclanthology-findings-2). În lucrarea lor, cercetătorii de la Meta AI au indicat posibile direcții de îmbunătățire a metodei. Una dintre căile evidente este **combinarea CoVe cu utilizarea instrumentelor externe**, de exemplu conectarea unui modul de căutare pe internet sau a bazelor de cunoștințe la etapa de verificare[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-aclanthology-findings-2). Aceasta ar permite obținerea de informații credibile din exterior și confirmarea sau infirmarea și mai fiabilă a faptelor din răspunsul inițial. Astfel, Chain-of-Verification reprezintă un pas spre sisteme AI mai responsabile și mai precise: demonstrează că, obligând modelul să **reexamineze critic propriul răspuns**, se poate îmbunătăți semnificativ calitatea acestuia și reduce răspândirea faptelor inventate în textul generat[\[2\]](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_note-aclanthology-findings-2). ## Referințe - Articolul original «Chain-of-Verification Reduces Hallucination in Large Language Models» pe arXiv - Articolul «Chain-of-Verification Reduces Hallucination in Large Language Models» în ACL Anthology - Chain of Verification (CoVe) — Understanding & Implementation — articol pe Medium ## Bibliografie - Dhuliawala, S. et al. (2023). *Chain-of-Verification Reduces Hallucination in Large Language Models*. arXiv:2309.11495. - Manakul, P. et al. (2023). *SelfCheckGPT: Zero-Resource Black-Box Hallucination Detection for Generative Large Language Models*. arXiv:2303.08896. - Yang, B. et al. (2025). *Hallucination Detection in Large Language Models with Metamorphic Relations*. arXiv:2502.15844. - Liang, X. et al. (2024). *Internal Consistency and Self-Feedback in Large Language Models: A Survey*. arXiv:2407.14507. - Lightman, H. et al. (2023). *Let's Verify Step by Step*. arXiv:2305.20050. - Ling, Z. et al. (2023). *Deductive Verification of Chain-of-Thought Reasoning*. arXiv:2306.03872. - Lyu, Q. et al. (2023). *Faithful Chain-of-Thought Reasoning*. arXiv:2301.13379. - Madaan, A. et al. (2023). *Self-Refine: Iterative Refinement with Self-Feedback*. arXiv:2303.17651. - Wei, J. et al. (2022). *Chain-of-Thought Prompting Elicits Reasoning in Large Language Models*. arXiv:2201.11903. - Wang, X. et al. (2022). *Self-Consistency Improves Chain of Thought Reasoning in Language Models*. arXiv:2203.11171. - Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. arXiv:2305.10601. ## Note 1. ↑ [1.0](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-arxiv-original_1-0) [1.1](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-arxiv-original_1-1) [1.2](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-arxiv-original_1-2) [1.3](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-arxiv-original_1-3) [1.4](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-arxiv-original_1-4) Dhuliawala, Shehzaad et al. «Chain-of-Verification Reduces Hallucination in Large Language Models». *arXiv*. [1] 2. ↑ [2.00](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-aclanthology-findings_2-0) [2.01](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-aclanthology-findings_2-1) [2.02](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-aclanthology-findings_2-2) [2.03](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-aclanthology-findings_2-3) [2.04](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-aclanthology-findings_2-4) [2.05](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-aclanthology-findings_2-5) [2.06](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-aclanthology-findings_2-6) [2.07](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-aclanthology-findings_2-7) [2.08](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-aclanthology-findings_2-8) [2.09](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-aclanthology-findings_2-9) [2.10](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-aclanthology-findings_2-10) [2.11](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-aclanthology-findings_2-11) [2.12](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-aclanthology-findings_2-12) [2.13](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-aclanthology-findings_2-13) [2.14](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-aclanthology-findings_2-14) Dhuliawala, Shehzaad et al. «Chain-of-Verification Reduces Hallucination in Large Language Models». *ACL Anthology*. [2] 3. ↑ [3.0](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-medium-cove_3-0) [3.1](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-medium-cove_3-1) [3.2](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-medium-cove_3-2) [3.3](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-medium-cove_3-3) [3.4](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-medium-cove_3-4) [3.5](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-medium-cove_3-5) [3.6](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-medium-cove_3-6) [3.7](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-medium-cove_3-7) [3.8](https://systems-analysis.info/int/Chain-of-Verification_(RO)#cite_ref-medium-cove_3-8) chowdhury, sourajit roy. «Chain of Verification (CoVe) — Understanding & Implementation». *Medium*. [3]