引经据典：当 AI 不再胡说八道，谁才是文档里的真证据？

大标题：引经据典：当 AI 不再“胡说八道”，谁才是文档里的“真证据”？

📄 引子：南辕北辙的“高分低能”

让 AI 读文档、答问题，现在已经不是什么新鲜事了。

可你发现没，有时候 AI 给出的答案虽然是对的，但当你问它“这结论是从哪儿找着的”时，它往往会给你随手一指。你翻开那一页，发现压根儿没提这回事。这叫“答案正确，证据全无”。在法律、金融、医疗这些讲究“有一说一”的行当里，这种“蒙对”的 AI，简直就是颗定时炸弹。

说到底，现在的 AI 缺的是一种“溯源”的底气。

🔬 病灶：蒙对答案的“幻觉陷阱”

这毛病，出在咱们以前的“考场规则”上。

以往测试 AI 的读图写字能力，只看最后一题的答案对不对。至于它是怎么推理出来的、引用了哪段话，咱们一概不查。这就给了 AI 投机取巧的机会：它可能靠着强大的“脑补”能力猜中了答案，但背后的证据链全是断的。

💡 小贴士：这在学界叫“归约幻觉”（Attribution Hallucination）。意思就是 AI 虽然把题做对了，但它找的那个证据支撑（Grounding）完全是牛头不对马嘴。

⚖️ 破局：CiteVQA 的“严师”之道

2026 年 5 月，CiteVQA 基准测试横空出世。

它立下了一条铁律：光有答案不行，必须得把证据在文档里的“坐标”（Bounding-box）给标出来！

1. 百万坐标大考：涵盖了 1897 个刁钻问题，横跨七大专业领域。
2. 严苛打分 (SAA)：只要证据指错了一丁点，哪怕答案写得天花乱坠，也是零分。这叫“严格归约准确率”。
3. 专家复核：所有的标准答案和坐标，都经过了机器消融实验和人类专家的双重交叉验证，绝无水分。

其核心的评价逻辑，可以用这一“证据至上”的算式来表述：
$ \text{SAA} = \mathcal{I}(A_{\text{pred}} = A_{gt}) \wedge \text{IoU}(C_{\text{pred}}, C_{gt}) > \tau $

💡 算式解注：这个逻辑是说，最终的得分（SAA）必须是答案（\(A\)）完全吻合，并且你标出的证据坐标（\(C\)）与真实坐标的交并比（IoU）超过了那个严苛的阈值（\(\tau\)）。

来看看 CiteVQA 考场上的众生相：

📈 沙场秋点兵：开源模型的“滑铁卢”

结果令人震惊。

哪怕是目前最顶尖的闭源模型 Gemini-3.1-Pro，在这面“照妖镜”下也只拿到了 76 分。而那些在以往考场上威风凛凛的开源大模型，竟然只有可怜的 22.5 分。这说明，咱们以前真的把 AI 给“宠坏”了，它们在寻找真凭实据的能力上，差得还远。

有了 CiteVQA，AI 终于得收起那套“信口开河”的毛病。以后它给出的每一份分析、每一个结论，都得老老实实地“引经据典”。

这便是：有一分证据，说一分话。

📝 文献留档

本文引证之核，皆源于此。验明正身，方敢立言。

• 论文题名：CiteVQA: Benchmarking Evidence Attribution for Trustworthy Document Intelligence
• 发布时间：2026 年 5 月 18 日
• 论文编号：arXiv:2605.12882
• 核心攻坚：解决多模态大模型（MLLM）在文档理解中存在的“有答案无证据”或“虚假归约”问题。
• 研创机制：引入了元级元素坐标引用任务，并提出了 Strict Attributed Accuracy (SAA) 评价指标，建立了可审计的文档智能基准。