按推理要点追踪RAG证据不确定性与幻觉

检索增强生成（RAG）通过让回答基于检索证据减少幻觉，但即使存在相关文档，仍可能产生幻觉答案。现有评价侧重答案或段落准确率，难以解释证据在生成过程中如何被使用。本文提出推理要点级问答诊断框架，将问题拆解为原子推理要点。针对各要点，以结构化的要点—文本片段矩阵结合检索相关性和基于自然语言推断的忠实性评分，检查证据充分性及回答是否依托证据。研究比较三种受控推理模式：完全依赖检索证据的严格RAG、结合证据与模型参数知识的Soft RAG，以及不检索的纯大模型生成。比较能够诊断检索与生成的不一致，即相关证据已被检索、却未被正确用于生成。在医学问答与HotpotQA上，研究评价GPT、Gemini和LLaMA等三种开放或闭源模型，揭示证据缺失、证据使用错位及先验知识覆盖证据等常见失效。结果表明，在所测设置中，幻觉更受证据如何整合进生成过程影响，而非单纯由检索准确率决定。要点级分析可揭示答案级评价隐藏的系统性证据覆盖和使用错位。