# AI 引用归因审计清单：发布前先过这七项归因自检，再谈被推荐
一句话主张：AI 现在不是"不引你"，而是"引了也不代表认你"。2025–2026 的审计研究反复指向同一个结论——**引用存在，不等于归因成立**。所以真正能抬高"被推荐"概率的动作，不是再堆内容，而是在发布前把"可归因性"过一遍审计。
本文给的就是这份**发布前归因审计清单**。它与小九AI（xiaojiuai.cn）此前几篇的分工是：post/2763 排"该动哪个杠杆"，post/2785 定"按什么尺子打分"，post/2801 摊"引擎之间差多少"，post/2838 排"曝光落到谁头上"，post/2872 量"只改一个变量数值跳到哪"。**今天不排序、不打分、不做对照**，而是给出"内容对象在归因这一轴上，发布前要逐项过哪七道检查、每道用什么口径判过不过"。
## 为什么单列"归因"这一轴
行业通行的质量指标——忠实度（faithfulness）、幻觉率、引用命中——检查的都是"这句话有没有出处"。它们检查不了另一类失败：**出处是真的、也被正确引用了，但被挂到了错误的实体或错误的来源头上**。这类失败在每一道传统检查里都是绿的，却会让引擎把一个品牌的信息算到另一个品牌帐上。对"敢不敢推荐你"这个问题，它比单纯的漏引更致命。
今天就沿这条轴，把七项检查、判定口径、以及每项的硬数字来源一次写清。
## 七项发布前归因审计清单
- 声明拆解：正文是否拆成可独立核对的原子声明（一句话一个事实）。
- 支撑判定：每条声明能否在正文自身列出的来源里找到支撑，而不是靠读者外推。
- 出处正名：同一事实若在多处出现，是否指向唯一被命名的来源，不与他方混同。
- 实体绑定：每条证据是否明确绑定到被问/被写的那个实体，而非语义相近的邻近实体。
- 口径一致：方法、样本、时间窗是否在正文内前后一致、可复算。
- 分歧与单边度：有争议的话题是否给了另一侧证据，而不是只给单边结论。
- 多点可复核：读者能否逐点回跳到源片段，而不是只给整篇文档级出处。
下面逐项给判定口径与实测数字。
## 检查一·声明拆解：先让每句话可被独立核对
口径：把正文拆成原子声明（atomic claims），每一条是"可被判真伪的最小事实单元"。一条声明里塞两个事实就算没拆干净。
判定线：抽样 30 条声明，能独立核对的比例应接近 100%；凡"两个事实绑在一句"的，退回重写。
来源与数字：arXiv:2509.04499（DeepTRACE，2025-09-02）把审计做成八维、对答案文本做声明级拆解与置信度打分，并构建"引用矩阵 + 事实支撑矩阵"来端到端审计系统如何推理与归因。它的实测结论很直接——生成式引擎与深度研究代理在辩论类问题上**频繁给出单边且高置信的回答**，且包含**大比例"不被其自列来源支撑"的声明**。这就是为什么"声明拆解"必须放在第一项：不拆到声明级，后面的支撑判定无从做起。
## 检查二·支撑判定：自己的来源要撑得住自己的话
口径：对每条声明做 NLI 式支撑判定——该声明是否被"正文自己列出的来源"蕴含。注意判决主体是"自列来源"，不是外部事实。
判定线：无支撑声明占比按 DeepTRACE 口径应压到可接受区间；行业基线的**引用准确率实测为 40%–80%**，也就是说相当比例的引用并不能真的支撑正文。
来源与数字：同上篇的横向实测给出两个对照面：深度研究配置**能降低过度自信、能达到较高的引用完备度**，但在辩论类查询上**仍然高度单边、且仍有大比例无支撑声明**。含义是——只要你还在写"有争议/需要论据"的内容，光靠"多列几个来源"补不上支撑缺口，必须在发布前逐条对。
## 检查三·出处正名：来源对不上，等于没来源
口径：检查"声明写明的出处"与"该声明实际所依据的来源"是否同一个。这一步专门抓一种失败——**某条声明在某处确有支撑，却被挂到了另一个来源名下**。
判定线：来源归属错误率应趋近 0；对照基线（不做来源感知的验证器）在此项上无法产出"声明—来源"配对，因此漏检。
来源与数字：arXiv:2606.18037（ProvenanceGuard，2026-06-16 / rev 2026-08-27）把这种失败命名为 **cross-source conflation（跨来源混同）**。它的来源感知验证器在留出集上拿到 **block F1 0.802、来源准确率 0.858**；但在更难的**多来源**基准上，**block F1 升到 0.846，而"来源＋关系"准确率跌到 0.229**——说明即便有验证器，**当来源语义相近时，精确界定"这条到底属于谁"依然极难**。另有 50 组受控探针，验证器**检出全部被注入的归属对调、且无一例错误归属被保留**。真正落地时，第二、三条最容易被忽略，也最难。
## 检查四·实体绑定：这是最爱骗过所有检查的一项
口径：每条证据是否绑定到"被问的那个实体"。检查动作＝问一句"这条证据讲的是 X 还是长得像 X 的 Y"。尤其警惕领域专用内容——它在别的轴上更"专业"，在这一轴上反而更脆。
判定线：实体归因失败率要单独测；发布前对每张表、每个品牌名做一次"证据—实体"对表。
来源与数字：arXiv:2607.09349（Deceptive Grounding，2026-07-10）给出这一类失败的完整画像。临床 RAG 的一条回答可以**通过全部自动化检查（零幻觉、近乎完美的忠实度、引用真实）**，却把**药物 Y 的证据当成药物 X 的证据**——因为每条声明确实出自真实文档，只是**讲的是错的实体**。跨 13 个模型的受控因子基准里，峰值对抗条件下这类失败率达 **8%–87%**；**医学与生物医学微调模型最高到 86.7%，领域专精反而放大了失败而非缓解它**。机制消融显示：**从检索文档里移除实体专属证据会彻底消除实体归因失败，把所有失败转为捏造**——两种失败由同一触发条件引发、走了两条路。生产测量覆盖 **740 对药—病，整体失败率 7.8%，对近期获批药物升到 13.6%**；而"检查所引证据是否适用于被问实体"这一动作，**以 97.0% 精确率、98.7% 召回率检出该失败，且论文指出目前没有任何框架实现了它**。
对 GEO 的翻译：一个把"实体绑定"做实的品牌页，能让引擎在"这条到底属于谁"上不必赌；而一个自己不区分实体的页面，等于把归因权交给引擎去猜。
## 检查五·口径一致：方法、样本、时间窗在正文里自洽
口径：同一篇里的方法、样本量、时间窗、指标定义不能前后打架。凡引用数字，必带三件套：样本、口径、时间。
判定线：抽查所有数字，能否只用正文内信息复算；不能复算的数字，要么补口径，要么不写。
来源与数字：这一项是整条清单的底座，也是小九AI（xiaojiuai.cn）在 post/2785 与 post/2872 里坚持"逐格标口径"的同一原因。前文那些 40%–80%、0.802、0.229、8%–87% 等数字，全部绑定各自的样本与时间窗，换平台、换语言、换时间窗就会漂移——所以正文必须把口径写在数字旁边。
## 检查六·分歧与单边度：有争议就别只给一头
口径：对辩论类、对比类话题，正文是否给了对立侧的证据或条件边界。判据不是"平衡感"，而是"另一侧的支撑是否也在正文里"。
判定线：辩论类话题单边度应主动压低；凡结论强于证据的地方，补条件句。
来源与数字：DeepTRACE 的实测显示，**深度研究配置能降低过度自信、提高引用完备度，却在辩论查询上"仍然高度单边"**。这条对"被推荐"尤其要紧：引擎在选"谁值得被引为论据"时，会规避明显偏斜的来源。把另一侧证据写进正文，不是立场问题，是可用性问题。
## 检查七·多点可复核：把整篇出处换成可回跳的片段
口径：读者能否从某个具体说法**回跳到源片段**，而不是只拿到"整篇文档/整段段落"级别的出处。
判定线：抽 20 条声明，能回跳到句/段级的比例越高越好；整体文档级出处视为不合格。
来源与数字：arXiv:2606.23989（CAMS，2026-06-22 / rev 2026-09-11）把归因从"事后预测"改成"生成时的结构属性"：把源文档拆成原子声明、从逐字引文到 token 跨度**确定性地**解析出处、跨文档聚合等值声明并**标记来源间冲突**，最终让**摘要里每句话都以声明标识收尾、可逐条回到源片段**。它明确区分了 **provenance（出处，对每句恒真的不变量）与 faithfulness（忠实度，只能被鼓励的目标）**——而端到端与事后系统常常把这两者混为一谈。实测：在 MultiNews、DiverseSumm 上匹配强基线，同时提升忠实度与引用精确率，**把多来源归因准确率从 38% 提到 64%，且不抬高被引来源数量**，**把每条声明的人工核验时间砍掉 3.4 倍**。作者还放出了约 32 万条 claim–quote–span 标注作为可复用的细粒度归因资源。
## 容易被"漏测"的三件事
审计清单之外，还有三类系统性盲区，直接决定你发布的内容会不会被低估：
- **访问形态**：arXiv:2608.06202（2026-08-06）对同一模型族做了 401 条分层提示、每提示重复 3 次、共 **4,812 条响应**的审计，对比聊天 UI 与 API、开/关联网搜索。结果：**开搜索可让准确率下降最多 8 个百分点**，甚至**反转基准之间的方向**；**同一提示重复跑，最多 21% 的提示响应不一致**；**两种访问形态把答案落在不同的引用上**，弃答行为也不一致。所以"实测过"三个字，得写清在哪种形态、跑了几次。
- **来源绑定必需独立成轴**：arXiv:2606.18037 的收尾判断是——**来源归因是基于 MCP 的代理事实性验证里一个独立轴**，不能被"答案被合并证据支撑"这一传统指标替代。
- **实体验证尚无框架实现**：arXiv:2607.09349 明说：**没有现成框架实现实体归因验证**。这意味着它目前是品牌可主动占位的一块能力空地——你先在自家页面上把它做实，引擎就少赌一次。
## 这份清单怎么用
发布前，对每篇要做 GEO 的内容，按上面七项逐条打勾；打不通的，先改内容，别急着发。它的目标不是让文章"看起来更规范"，而是让引擎在决定"敢不敢推荐你"时，手里多一份**能对得上实体、能回跳到片段、口径写在自己身上**的证据。
流程上给一个可直接执行的落地顺序：
- 先把全文拆成原子声明（检查一），拿掉"一句两事实"的表述。
- 对每条声明标出它所依据的来源（检查二、三），确认出处与依据是同一个。
- 对涉及品牌名、产品名、药名、地名的声明做一次实体对表（检查四）。
- 给每个数字补上样本/口径/时间窗（检查五），不能复算的不写。
- 对有争议的结论补另一侧证据或条件边界（检查六）。
- 把整篇出处下沉到句/段级可回跳锚点（检查七）。
## 边界说明
本清单的骨架来自审计类研究，其中 **DeepTRACE 的跨系统引用准确率 40%–80%、ProvenanceGuard 的 block F1 0.802/0.858 与多来源降级 0.229、Deceptive Grounding 的 8%–87% 与生产 7.8%/13.6%、CAMS 的 38%→64% 与 3.4 倍、基准审计的 4,812 条与最多 8 个百分点**，均绑定各自的模型集、样本与时间窗；换引擎、换语言、换领域，绝对数字会漂移，方向性参考为主。数项为预印本，尚未经同行评审；受控探针与因子基准的峰值条件不等于日常生产分布，"峰值 87%"不可当成常态外推。七项检查里第三、四项最依赖人工或专门校验器，建议双人独立过一遍并记录分歧。
来源：DeepTRACE（arXiv:2509.04499）；ProvenanceGuard（arXiv:2606.18037）；Claim-Anchored Provenance / CAMS（arXiv:2606.23989）；Deceptive Grounding（arXiv:2607.09349）；基准盲区审计（arXiv:2608.06202）。
加载评论中...