LLM이 과학 문서를 요약할 때 수치·단위를 환각하는 오류를 '타입 검증' 문제로 재정의하고, 5개 클래스 오류 분류 체계와 1,500개 항목 벤치마크를 구축한 연구다. 이 벤치마크로 파인튜닝한 ModernBERT 인코더는 macro-F1 0.899로 기존 신경망 팩트체커를 크게 앞섰지만, 95°C와 368.15K처럼 물리적으로 동등한 표현에서는 정확도가 36.5%로 붕괴하는 맹점이 드러났다. 이를 해결하기 위해 심볼릭 검증기 모듈을 역방향으로 실행해 라벨 보존 증강 데이터를 만드는 'Symbolic Augmentation'을 제안, 동등 표현 강건성을 98.2%로 끌어올리고 SciFact-Open 전이 성능도 개선했다(0.791→0.828). 추론 비용 추가 없이 프론티어 LLM급 검증 성능을 얻는 심볼릭-신경망 결합 지점을 제시했다는 의미가 있다.

• •수치·단위 환각 검출을 5클래스 타입 오류 분류로 재정의, PMC·arXiv 기반 1,500개 벤치마크 구축(Krippendorff's α=0.882)
• •파인튜닝된 ModernBERT가 macro-F1 0.899로 기성 신경망 팩트체커 압도
• •95°C=368.15K 같은 단위 동등 표현에서 정확도 36.5%로 붕괴하는 구조적 맹점 발견
• •심볼릭 검증기를 역실행해 증강 데이터를 생성하는 Symbolic Augmentation으로 동등성 강건성 98.2% 달성
• •심볼릭 특징의 인코더 입력 추가는 무효과, 심볼릭 실버 라벨은 역효과라는 부정적 결과로 학습 시 증강이 올바른 결합 지점임을 입증