RAAR：用于跨领域虚假信息检测的检索增强型智能体推理框架

跨领域虚假信息检测具有挑战性，因虚假信息在不同领域间存在显著的知识与话语差异。现有方法多依赖单一视角线索，难以泛化至困难或代表性不足的领域；而推理型大语言模型虽在复杂任务中有效，却受限于同分布数据假设。为此，本文提出RAAR——首个面向跨领域虚假信息检测的检索增强型智能体推理框架。RAAR通过检索与目标样本语义、情感和写作风格对齐的多视角源域证据，实现超越同分布假设的跨域迁移；并通过多智能体协作构建可验证的多步推理路径，其中各视角专用智能体生成互补分析，摘要智能体在验证器指导下进行整合。此外，RAAR采用监督微调与强化学习训练单一多任务验证器以提升推理与验证能力。基于该框架训练的RAAR-8b与RAAR-14b模型在三项跨领域虚假信息检测任务上显著优于基线模型、先进大语言模型及适配方法。