CAGE：长篇问答中忠实生成内联引文的认知归因图

长格式问答越来越依赖检索到的证据来使 LLM 输出可验证，并通过内联引用跟踪对源文档的声明。然而，现有系统通常会附上主题相关但不足以支持其主张的引文。我们将归因模糊性视为一个结构性挑战：端到端生成必须隐式解决组合声明-文档分配，模糊证据边界并增加证据边界溢出的风险，其中声明超出了引用的支持。为了应对这一挑战，我们提出了 CAGE（引文生成认知归因图），这是一个两阶段框架，在答案生成之前引入显式认知归因图。 CAGE 首先训练即插即用的认知图归纳模型来构建以答案为中心的支持子图，通过显式关系将每个语义答案单元与支持文档对齐。然后，结构化引文推理模型将这些单元实现为具有地图对齐引文的句子级声明。 ASQA、ELI5 和 ExpertQA 上的实验表明，CAGE 实现了最先进的性能，证明了归因空间收缩和地图引导引文生成的有效性。