RAG 事实引用核查与忠实度

事实引用归因与忠实度核查 (Citation Grounding & Faithfulness Verification) 是 RAG 系统对大模型生成的每句话进行细粒度事实溯源、引用标注与幻觉惩罚的后处理与评测技术；它通过自然语言推理 (NLI) 模型或声明提取模型，将回答拆解为多个原子事实断言 (Atomic Claims)，逐一在参考文档切块中执行蕴含检验 (Entailment Check: 判定是 `Entailment`、`Neutral` 还是 `Contradiction`)，并在正文中自动标注高亮来源角标（如 `[1]`, `[Doc-3]`），对无文档支撑的无源语句执行惩罚或自动剔除。

法律文书起草、医疗处方咨询、学术报告生成等严禁出现事实性幻觉的高风险 RAG 问答场景。

传统大模型即使在 Prompt 中被要求“必须标注引用”，仍有极高概率捏造虚假的角标或张冠李戴（引用的切块根本不支持该结论）；归因核查算法实现了确定性的引用准确性校验与自动纠偏。

详细描述基于 NLI 模型（如 DeBERTa-v3-large-mnli）将生成回答解构为 Atomic Claims 并计算 Faithfulness 得分的完整算法？

针对大模型“幻觉伪造角标引用 (Hallucinated Citations)”的现象，后置验证器如何执行引用准确度 (Citation Precision & Recall) 自动化审计？

Prompt 级别引导引用（如要求模型生成形如 `根据 [Doc-A, p.12] ...`）与后置独立 NLI 验证模型的协同架构设计？

当检测到某关键结论存在矛盾 (`Contradiction`) 或中立无支撑 (`Neutral`) 时，系统的自愈重写 (Rewrite & Prune) 机制？

Ragas 框架中的 Faithfulness 指标与 RAGAS Groundedness 指标的数学公式推导与计算开销？