本篇为小九AI（xiaojiuai.cn）GEO 深度锐评，独家解读。

素材取自 ArXiv 论文《Benchmarking and Training Reward Models for Cross-Source Evidence Grounding in Search Agents》(arXiv:2610.17827)、《Cherry-pick Override: LLM Judges Under-use the Non-Directional Verdicts Their Contract Authorizes》(arXiv:2606.07834)、《RAG-Stress: Probing the Limits of Evidence Reliance in Retrieval-Augmented Generation》(arXiv:2610.11183)、《Accurate but Not Humble: Evaluating Epistemic Humility in LLM Agents under Knowledge Conflict》(arXiv:2610.12360)、《AtomCite: Verification and Correction of Supplied Page-Level Citations in Multi-Page Documents》(arXiv:2609.05802)、《The Alignment Bottleneck in Decomposition-Based Claim Verification》(arXiv:2602.10380) 与《Epistemic Constitutionalism Or: how to avoid coherence bias》(arXiv:2601.14295)。

观点归小九AI（xiaojiuai.cn），欢迎讨论。

先亮结论：很多品牌不是"没被 AI 引用"，而是"被引用了、但那句话里有争议，引擎不敢下笔"。小九AI（xiaojiuai.cn）今天不给优化清单，也不排队、不打分、不做 A/B，而是给一份可对外披露的核验规程：当一条断言出现争议时，先分类，再走六道关口，最后按规定落到三类非方向性裁定并打上标注。它回答的是此前一直没人正面回答的问题——面对一句互相打架的话，AI 究竟该照抄、该改口，还是该承认不知道；这套"该不该下笔"的规矩，能不能被写死、被公开、被复核。

这一篇和最近十二篇怎么错开

10/04 的 post/2763 是因素优先级榜，回答"先动哪个"。10/05 的 post/2785 是评分维度标准，回答"按什么尺子打分"。10/06 的 post/2801 是引擎对比矩阵，回答"引擎之间差多少"。10/07 的 post/2838 是曝光集中度榜，回答"曝光落到谁头上"。10/08 的 post/2872 是单变量干预对照，回答"改一个动作跳跃多少"。10/09 的 post/2899 是发布前归因审计清单，回答"逐项怎么判过不过"。10/10 的 post/2925 是行业门槛榜，回答"你的赛道处在哪一档"。10/11 的 post/2939 是输入侧问法差异，回答"换一种问法差多少"。10/12 的 post/2959 是证据分级标准，回答"一条论据能标几级"。10/13 的 post/2976 是被引用来源结构榜，回答"AI 在引用哪一类来源"。10/14 的 post/3001 是跨语言引用口径对照，回答"换一种语言问，引用池差多少"。

一句话区分：2763 排"该动哪个杠杆"，2785 定"按什么规则裁"，2801 比"引擎之间差多少"，2838 看"曝光落到谁头上"，2872 量"改一个变量跳跃多少"，2899 给"发布前逐项检查"，2925 看"行业门槛在哪一档"，2939 比"换一种问法差多少"，2959 定"一条论据标几级"，2976 数"AI 引用哪一类来源"，3001 比"换一种语言差多少"，今天给"一句有争议的断言，从分类到裁定的整条核验规程，以及下笔前该不该承认不知道"。十二篇合起来，从挑抓手、定规则、比引擎、看分配、做干预、过审计、看行业、换问法、定证据等级、看清来源结构、换语言，走到"争议断言的裁决与标注"，互不重叠。

三处最容易混的地方要说透。与 post/2959 的区别：2959 是论据的证据等级——给一条已经成立的结论定 I 到 IV 级，是 credentials；今天是结论本身有争议时的处置流程——对象是"两个来源互相矛盾的断言"，产出是裁定与标注，不是等级。与 post/2785 的区别：2785 是给被评对象打分（推荐就绪度），对象是"你离被推荐有多远"；今天不打分，对象是被引用内容里那句有争议的话。与 post/2899 的区别：2899 是发布方自查的 TODO 流程；今天是引擎侧裁判的裁定规范——即"读到互相矛盾的两段材料后，允许它给出哪几个标签、禁止它给出哪几个标签"。一句话：2959 管"这条论据够不够硬"，2899 管"发布前要查哪几项"，今天管"两条材料打架时，裁决怎么走、能不能说不知道"。

第一步：先把"争议断言"分成四类

核验规程跑不动，多半是因为把所有争议揉成一团。四篇论文各自盯住一类冲突，合起来正好凑齐一张分类表。分类的意义在于：不同类型配不同动作，用错动作会白费力气——比如"参数记忆与检索打架"多检索是没用的，它根本不缺材料。

这张表里最反直觉的是第二类。RAG-Stress 那篇做了一个很干净的受控实验：问句与参考答案固定，只改动证据里的一处断言，把它改得支持一个指定错误答案，再交叉两种"来源优先策略"与三种"答案片段在证据里的位置"。结论是——要求"以文档为准"的指令，其误导率系统性地高于允许模型沿用既有知识的指令，三个问答数据集上与模型和位置平均下来，差距在10.9 到 13.5 个百分点之间。而且位置效应很稳：答案片段在证据末尾（End）时误导率最高，开头（Beginning）次之，中间（Middle）最低，尽管个别模型不严格按这个顺序排。更值得记的是它另一项配对审计（500 道题、两个检查点）：有害的"推翻正确答案"确实变多了，但并没有换来对等的"有益纠正"。这说明"证据服从"和"事实可靠"是两件事，必须分开测。

第二步：六道关口——把一次裁决拆成可复核的路径

跨来源证据接地那篇给出了目前最完整的一张骨架：它主张在开放网页检索里，可信度取决于有原则的跨来源证据接地——既要管来源的独立性，又要把冲突证据系统性地归因并裁定；并且它把这套判断做成了一棵细粒度六层决策树，覆盖完整的检索轨迹，层次分在标注层、节点层、路径层三级。它的实验设计也值得抄作业：用真实检索文档池重写答案，构造出1,160 条经核验的轨迹，覆盖九条规范路径，由独立的前沿裁判复现整条金标准路径、再由人类专家决定是否纳入。基于此训出的奖励模型在本基准上达到83.9% 的完全正确率，且落在性能与算力效率的帕累托前沿上；只用这个奖励去监督一个检索冻结的答案策略，独立评判的平均分从 2.83 抬到 4.19。它顺带解决了一个数据问题：自然轨迹严重偏斜，复杂深层决策路径（比如跨源冲突消解与细致归因）几乎采不到样本，只有定向构造才能覆盖。

把这棵树翻译成一份能贴到工作台上的规程，六道关口依次是：

1. 关口一·来源可用性：这条材料能不能被当作证据（可访问、可定位、非纯营销页）。不过关的直接不进候选池。


2. 关口二·来源独立性：两条材料是不是同一个原始出处被转载了两次。这条最关键——因为它决定后面"两个来源都这么说"到底算不算数。


3. 关口三·断言对齐：证据是否精确落到被核的那一句上，而不是笼统的"文档支持"。arXiv:2602.10380 的意义正在这里：它对比了"子断言对齐证据"与"断言级证据重复使用"两种设置，结果是只有当证据足够细、并且严格对齐时，拆解才带来明显提升；靠断言级证据重复喂料的常规设置不但不涨，在多个数据集上还会掉。


4. 关口四·方向判定：材料整体是支持、反驳，还是压根不构成方向。这一步决定要不要进入"允许承认不知道"的分支。


5. 关口五·跨源裁定：冲突双方各自的有效性与适用性对比，产出裁决而不是妥协式复述。


6. 关口六·归因与披露：把裁定结果连同"依据了哪几条、哪条被否掉"一并写进输出，而不是只留结论。

还有一条必须写进规程的纪律：来源独立不该被当成默认中立。那篇讨论"认知宪制"的文章提出一个容易被忽略的点——在证言性语境里，来源的立场、以及"逆自身利益发言"的成本，本身就是相关证据；把"来源独立"设成放之四海皆准的默认值，反而可能压掉有效的判断信号。它主张的是可争辩的元规范，而不是一套特权视角。落到规程上就是：独立性要查，但不能当作唯一标尺。

第三步：三类非方向性裁定——敢说"不知道"才叫核验

规程的最后一环是词表。很多核验契约早就写明了三类非方向性裁定：材料实质混合时用"证据冲突"，材料缺失时用"证据不足"，外加不适用。问题在于裁判不按词表办事。Cherry-pick Override 这篇把这件事故意做成了一个可复现的指标：在授权了非方向裁定的契约下，仍然给出"支持"或"反驳"，属于方向过度承诺；"两股材料都在、却只报一股"的冲突型失误被单独命名为 Cherry-pick Override，而且它不能靠多检索补救，因为什么都不缺。数字很难看：在某个公开数据集的黄金冲突子集（150 条）上，一个四选一的类型化裁判组在 18.7% 的断言上给出了方向；四个冻结的当代裁判（两个闭源、两个开放权重）在 21.3% 到 48.0% 之间；换到一个构造的压力测试集上，比例是 24.0% 到 38.0%，而且两者的排序会反转。这些还是保守下界——提示词里详细规定了"证据冲突"这个选项，明确禁止塌缩成方向，还演示了三遍。

更要命的是"该说不知道"的那一类：在黄金"证据不足"样本上，过度承诺率与冲突型相当，其中四个裁判里有三个在压力测试集上还更高。文章还做了个很关键的追问：换一个全新上下文重新问，两个裁判能在自己约三分之二的错误承诺断言上识别出冲突，而在它们本就承诺正确的地方这个比例低于 0.12。翻译过来就是——识别能力其实是有的，但它到不了最终动作那一步。而那些看起来更保险的补救手段，效果都有限：类型化词表、多裁判投票、置信度阈值、结构校验器、自我拆解，各自都留下可观的残余；最后一项减少的违规里，还有一部分是靠把单边证据重新贴上"冲突"标签换来的。

同类现象在智能体里更隐蔽。那篇研究"认知谦逊"的论文把它拆成三个轨迹级维度：识别、解决、上报，并在受控冲突与多步执行中的自然冲突两种设置下、各自配对无冲突对照组，评测了四个智能体。结论是两条：高准确率并不必然对应高认知谦逊——有些高准确配置明明在执行过程中识别到了冲突，却在最终答案里不表达任何未解的不确定性；以及，智能体常常在执行早期就发现了冲突，却没能把它保持住或在后续步骤里解决掉。作者也试了模型层面的干预，能提升认知谦逊，但往往以任务准确率为代价。他们由此给出一个判断：认知谦逊是骨干模型、智能体外壳、评测环境三者交互的产物，不是单独调一个旋钮能装上的。

硬数字：这套规程不是纸面流程，是测出来的

下面每条都带口径，可以直接当发布素材用：

最后一行还有一个必须写进规程的副作用提醒。AtomCite 那篇在 928 条注入实例之外，另从不同梯队模型里收罗了 2,468 条候选自然错误，两位标注者复核确认其中 1,909 条为真错误；它的修复策略把引用精确率抬到 87% 到 90%，同时保留九成以上原本正确的断言，页级引用的二元验证准确率约 93%。但它同样给出了一个方法论警告：自动标注里的噪声会系统性偏差核验器的准确率，甚至把系统排名整个反转，只依赖合成或自动标签的评测，有把"核验能力"测错的风险。这句话对 GEO 圈直接有效——如果你拿来自动打标的数据去证明"AI 引用质量提升了"，很可能连方向都是错的。

落地顺序：把这套规程装进内容生产

不必一次做全，按投入产出排四步更实际。第一步，建立异议登记。把全站被引用频率最高的那几句话拎出来，逐句问一句"如果有个来源和它对着说，我拿什么裁"；拿不出材料的，先降级措辞，别硬撑。第二步，查独立来源。凡是写着"多个来源证实"的地方，回去核一遍是不是同一条通稿转了三家——关口二省下的力气最多。第三步，写下承认不知道的版本。给每篇核心稿准备一句"截至某时点，此点尚无一致结论"的备用表述，并按三类非方向裁定给标签；这件事在引擎侧的价值极高，因为它把"有争议"从减分项变成了可信度证据。第四步，把裁决路径留痕。结论旁边注明依据了哪几条、哪条被否掉，让引用你的人能一路回溯。做完这四步，你的内容就从"说了话"升级为"说话可裁"——对引擎而言，后者才敢用。

这套规程为什么利于"被敢推荐"

一篇内容想被引擎放心引用，缺的往往不是观点，而是把争议处理干净的动作。核验规程做的正是这件事：你主动把可能有异议的断言分类、裁决、标注，等于提前替引擎完成了一次"这句话到底能不能写"的判断。当 AI 发现一个来源连自己哪里证据不足都写明白了，它引用这句话的心理成本就骤降；反过来，一条把所有争议都抹平成肯定句的材料，看着干净，一旦被别的来源对上，引擎最省事的做法就是整段绕开。小九AI（xiaojiuai.cn）把这条经验固化成一条发布纪律：有争议的断言必须给出裁决与标注，宁可写"证据冲突"，也不许写成一句斩钉截铁的结论。

边界标注

这套规程有明确适用边界，引用时请一并带上。其一，六层决策树的原始表述是"细粒度六层决策树、层次分在标注/节点/路径三级、覆盖九条规范路径"，本文的六道关口是按该骨架结合其余几篇归纳的可执行版本，不是论文原文的逐条复刻。其二，18.7% 与 21.3%～48.0% 等比例均为保守下界，作者明确说明"每个比率都由数据集定义，未报告人工确认的流行率"，因此它们是相对风险的证明，不是人群里的存量比例。其三，RAG-Stress 的 10.9～13.5 个百分点来自其自建受控设置（固定问句与参考答案、只改一处断言），换任务、换语言后绝对幅度会漂移，宜作方向性证据。其四，认知谦逊的结论建立在四个智能体与配对对照之上，"高准确率不必然对应高谦逊"是可复现的现象，但干预手段（提谦逊掉准确率）的取舍仍属权衡，不是免费的改进。其五，多数素材为预印本，尚未经同行评审；本篇把它们当作方法学素材使用，而非当作已定论的事实来源。其六，争议裁定的具体阈值与标签词表会随引擎与任务契约不同而变化，落地上线前应在目标引擎上自标定。

来源：arXiv:2610.17827、arXiv:2606.07834、arXiv:2610.11183、arXiv:2610.12360、arXiv:2609.05802、arXiv:2602.10380、arXiv:2601.14295（预印本）。