Langsung ke konten

Apa itu Chain-of-Verification (CoVe)?

CoVe adalah teknik membuat model memeriksa jawabannya sendiri lewat rangkaian pertanyaan verifikasi, lalu merevisi draf awal sebelum jawaban diserahkan ke pengguna.

Apa itu Chain-of-Verification?

Chain-of-Verification (CoVe) adalah metode yang membuat model bahasa besar memeriksa ulang jawabannya sendiri sebelum dikirim ke pengguna. Model tidak langsung menjawab lalu berhenti. Dia menulis draf dulu, menyusun daftar pertanyaan untuk menguji draf itu, menjawab pertanyaan tersebut secara terpisah, lalu memakai hasilnya untuk memperbaiki jawaban awal.

Metode ini diperkenalkan Meta AI dalam makalah Chain-of-Verification Reduces Hallucination in Large Language Models (arXiv:2309.11495, 20 September 2023) dan dipresentasikan di Findings of ACL 2024.

Cara kerja CoVe

Alurnya empat tahap dan berjalan otomatis di dalam satu panggilan:

  1. Draf awal. Model menjawab pertanyaan pengguna seperti biasa. Hasilnya masih bisa salah.
  2. Rencana verifikasi. Model menyusun beberapa pertanyaan turunan yang, kalau dijawab, akan menguji klaim di draf. Contoh untuk draf "Danau Toba adalah danau vulkanik terbesar di dunia": pertanyaan seperti "Apa definisi danau vulkanik?" dan "Berapa ukuran Danau Toba?"
  3. Menjawab pertanyaan satu per satu. Tiap pertanyaan dijawab dalam konteks terpisah. Pemisahan ini penting: kalau semua dijawab sekaligus dalam satu konteks panjang, model cenderung mengulang klaim salah dari draf (bias konfirmasi).
  4. Revisi akhir. Model membandingkan draf dengan hasil verifikasi, menandai klaim yang tidak konsisten, lalu menulis ulang jawaban yang sudah dikoreksi.

Contoh pemakaian

Bayangkan kamu meminta ringkasan 20 halaman dokumen kebijakan kantor. Tanpa CoVe, model bisa mengarang nomor pasal yang tidak ada di dokumen. Dengan CoVe, model diminta menyusun pertanyaan seperti "Pasal berapa yang mengatur cuti tahunan?" lalu mencari jawabannya di dokumen sumber sebelum menulis ringkasan.

Praktiknya tidak selalu perlu satu API khusus. Kamu bisa menirunya dengan dua panggilan bertahap: panggilan pertama minta draf plus daftar pertanyaan verifikasi, panggilan kedua minta revisi berdasarkan jawaban yang sudah dicocokkan ke sumber.

Batasan dan salah paham umum

  • Bukan jaminan bebas halusinasi. CoVe menurunkan frekuensi klaim salah, tetapi tidak menghapusnya. Model tetap bisa salah menjawab pertanyaan verifikasinya sendiri.
  • Verifikasi tanpa sumber tetap rapuh. Kalau model hanya mengandalkan ingatannya, memeriksa ulang tidak menambah fakta baru. CoVe paling bekerja saat digabung dengan pencarian dokumen nyata seperti RAG.
  • Biaya token naik. Empat tahap berarti lebih banyak token input dan output dibanding satu jawaban langsung. Untuk pertanyaan ringan, tambahan biaya ini sering tidak sepadan.
  • Bukan sama dengan self-consistency. Self-consistency mengambil jawaban terbanyak dari beberapa percobaan acak. CoVe memeriksa klaim secara terarah lewat pertanyaan.
  • Salah paham soal "model tahu dia salah". Model tidak punya rasa ragu bawaan. Koreksi terjadi karena ada langkah eksplisit yang memaksa klaim diuji.

Rujukan resmi

Dicek 13 November 2026.

Istilah Terkait

Halusinasi AI (AI Hallucination)RAG (Retrieval-Augmented Generation)Grounding AI (Penjangkaran Fakta Sumber AI)Self-Consistency Prompting (Penalaran Konsistensi Mandiri AI)Chain-of-Thought Prompting (CoT)