大模型应用开发 / 知识点
RAG 检索召回与评估指标速查
重排与上下文组织
将 Query 与候选文本一起输入模型计算相关性分数,通常比单独比较向量更准确;代价是推理更慢,因此主要用于少量候选的精排。
Cross-Encoder
Cross-Encoder 是一种将 Query 与候选文本成对输入同一个模型,并直接计算二者相关性分数的重排模型。
成立边界
它通常位于召回之后:先用向量检索、关键词检索等方法得到一批候选,再让 Cross-Encoder 逐对计算 Query 与候选文本的相关性并重新排序。由于每个候选都需要参与一次联合推理,候选数量越大,计算成本通常越高。

与 Bi-Encoder 的区别
| 概念 | 输入方式 | 典型用途 | 主要取舍 |
|---|---|---|---|
| Bi-Encoder | Query 与文档分别编码为向量 | 大规模初始召回 | 检索快,但相关性判断较粗 |
| Cross-Encoder | Query 与文档拼接后联合输入 | 少量候选精排 | 判断更细,但逐候选推理成本更高 |
因此,Cross-Encoder 通常不直接扫描整个文档库,而是处理召回阶段留下的候选集合。
最小例子
假设粗召回得到三个候选,模型分别计算 Query 与候选的相关性:
Query: 如何处理 Redis 连接超时?
A: Redis 连接池配置与连接超时排查
B: Redis 持久化 RDB 与 AOF
C: MySQL 事务隔离级别Cross-Encoder 可能将 A 排在 B、C 之前,因为它会同时考虑 Query 与每段候选文本的语义关系,而不是只比较预先计算的独立向量。
常见误解
Cross-Encoder 的优势不是“永远比向量检索准确”,而是它可以在候选已经缩小后进行更细粒度的 Query-文档交互建模。候选过多时,推理成本可能成为主要瓶颈。
Reciprocal Rank Fusion 根据各检索器中的排名位置融合多路结果,不要求不同检索器的原始分数在同一尺度,常用于 Hybrid Search。
RRF
RRF(Reciprocal Rank Fusion)是一种按多个检索结果中的排名位置进行融合的方法,用各结果的倒数排名贡献计算综合分数,因此不需要先把不同检索器的原始分数校准到同一尺度。
成立边界
RRF 适合多个检索器各自产生有序结果的场景,例如同时使用关键词检索和向量检索。对某个文档而言,它在每一路结果中的排名越靠前,对最终融合分数的贡献通常越大;没有出现在某一路结果中时,该路通常不产生贡献。

计算方式
常见形式为:
其中, 表示文档 在第 路检索结果中的排名, 是用于平滑排名差异的常数。实际系统中的 可以按实现和评估结果调整,并不是 RRF 定义中唯一固定的值。
与分数加权的区别
| 方法 | 依赖什么 | 主要特点 |
|---|---|---|
| RRF | 排名位置 | 不要求不同检索器的分数同尺度 |
| 分数加权 | 原始相关性分数 | 需要考虑不同检索器的分数范围与校准 |
因此,RRF 特别适合“每路检索器排名可靠、但分数尺度不可直接比较”的 Hybrid Search。
最小例子
假设同一文档在两路结果中分别排第 1 和第 3,使用 :
该文档的两路排名贡献会被相加,再与其他文档的融合分数比较。
常见误解
RRF 关注的是排名位置而不是原始检索分数,因此不能从 RRF 分数直接解释“文档与 Query 的绝对相关性”。它的主要作用是稳定地合并多路排序结果。
用较小的 Child Chunk 做精确检索,命中后返回更大的 Parent 内容给 LLM;用于兼顾细粒度召回能力和完整上下文表达。
Parent-Child Retrieval
Parent-Child Retrieval 是一种分层检索方式:用较小的 Child Chunk 参与向量或关键词检索,命中后再恢复对应的更大 Parent 内容交给 LLM,从而兼顾检索精度与上下文完整性。
成立边界
核心前提是 Child 与 Parent 之间存在稳定映射。Child 负责“找到相关位置”,Parent 负责“提供足够上下文”;两者不是并列的两套独立检索结果。
例如,一篇文档可以按章节形成 Parent,再把章节切成多个较小的 Child。用户问题命中某个 Child 后,系统根据映射关系取回其所属 Parent,而不是把多个无关 Child 简单拼接起来。

与相邻方法的区别
| 方法 | 检索对象 | 命中后的上下文 | 主要特点 |
|---|---|---|---|
| 普通 Chunk Retrieval | 单一 Chunk | 命中 Chunk 本身 | 简单,但上下文可能不足 |
| Parent-Child Retrieval | Child Chunk | 对应 Parent | 检索粒度与上下文粒度分离 |
| Neighbor Expansion | 命中 Chunk | 前后相邻 Chunk | 适合恢复局部连续语境 |
Parent-Child Retrieval 更依赖文档层级;Neighbor Expansion 更依赖文本切块后的相邻关系。前者强调“属于哪个更大语义单元”,后者强调“附近还有什么内容”。
最小例子
一节 1200 字的产品说明被作为 Parent,再切成多个 150 字 Child。用户询问某个配置项时,系统只需让相关 Child 参与匹配;命中后返回整节 Parent,使模型同时看到定义、限制条件和配置示例。
这样可以避免直接使用大 Chunk 检索时主题过宽,也避免只返回小 Chunk 时缺少跨段落信息。Parent 过大仍可能引入噪声,因此 Parent 粒度应与实际回答所需的语义边界匹配。
常见误解
常见误解是“Parent 越大越好”。实际上,Parent 只是上下文恢复单元,并不自动等于最佳上下文;过大的 Parent 会增加无关内容、上下文成本和模型注意力负担。
另一个误解是把 Child 当作最终送入 LLM 的答案片段。Child 的主要职责是提高定位能力,最终上下文应依据任务决定是返回 Parent、Parent 加少量元数据,还是进一步裁剪 Parent 内容。
命中某个 Chunk 后补充其前后相邻文本,恢复被切块拆开的上下文;适合答案跨越段落边界,但应控制扩展范围避免加入过多噪声。
Neighbor Expansion
Neighbor Expansion 是在命中某个 Chunk 后,继续取回它前后相邻的 Chunk,并把这些局部文本一起提供给 LLM,用于恢复切块造成的上下文断裂。
成立边界
该方法成立的前提是 Chunk 保留稳定的文档顺序或位置关系,例如同一文档中的连续序号、字符区间或页码位置。扩展目标是恢复局部连续语境,而不是重新做一次全局检索。
典型场景是答案跨越两个相邻段落:检索只命中了后一个 Chunk,但前一个 Chunk 保存了定义、条件或前置步骤。向前扩展一个 Chunk 后,模型才能完整理解当前片段。

与相邻方法的区别
| 方法 | 扩展依据 | 适合恢复的内容 | 风险 |
|---|---|---|---|
| Neighbor Expansion | 文档物理相邻关系 | 跨 Chunk 的连续语境 | 扩展过多会引入噪声 |
| Parent-Child Retrieval | 父子层级关系 | 完整章节或更大语义单元 | Parent 过大可能上下文过宽 |
| 仅返回命中 Chunk | 无扩展 | 局部、边界清晰的答案 | 容易丢失前后文 |
Neighbor Expansion 的关键不是“多取几个 Chunk”,而是以命中位置为中心恢复必要上下文。扩展范围通常应固定、可解释,并通过评估验证收益。
最小例子
假设一篇操作文档被按顺序切成 Chunk 10、11、12。检索命中 Chunk 11,而其中只写了“然后执行该步骤”。若 Chunk 10 保存对象定义,Chunk 12 保存执行后的验证条件,可以扩展为 10~12 再交给 LLM。
扩展不应无条件取整篇文档。较小的相邻窗口能减少无关内容;对于长距离依赖,则应考虑 Parent-Child Retrieval、重新切块或其他上下文恢复策略。
常见误解
常见误解是“只要扩大窗口,召回质量就一定提高”。扩大上下文可能让答案信息更完整,但也会把不相关段落带入模型,增加上下文成本并稀释相关信息。
另一个误解是相邻 Chunk 一定语义连续。标题、表格、分页、代码块或人工切分都可能打断连续性,因此扩展后仍应检查 Chunk 的来源、顺序和实际语义关系。
模型一次请求能够处理的 token 范围,包括系统提示、历史消息、检索资料和用户问题;窗口变大不代表应该无差别塞入更多检索内容。
Context Window
Context Window 是模型一次请求能够接收并处理的 token 总范围,通常同时覆盖系统提示、历史消息、检索上下文以及当前用户问题。
成立边界
上下文窗口约束的是一次模型调用可处理的信息总量,不是单独给 RAG 检索结果预留的容量。历史对话、工具结果和系统指令都会占用窗口,因此检索内容需要与其他输入共同预算。
窗口变大只意味着可容纳更多 token,并不意味着把更多 Chunk 全部放进去就更好。冗余、重复或与问题弱相关的内容仍可能稀释关键信息,增加模型筛选负担。
与相邻概念的区别
| 概念 | 关注点 |
|---|---|
| Context Window | 单次请求最多可处理多少 token |
| Retrieved Context | RAG 实际交给模型的检索内容 |
| Context Relevance | 检索内容与当前问题的相关程度 |
因此,Context Window 解决的是“能装多少”,而 Context Relevance 解决的是“装进去的是否值得”。
最小例子
假设一次请求同时包含较长的系统提示、历史对话和若干检索 Chunk。即使模型支持更大的 Context Window,也应优先保留能够直接支撑答案的片段,而不是单纯扩大检索数量。
常见误解
常见误解是把“窗口更大”理解成“检索越多越好”。实际评估 RAG 时,还要检查输入总 token、关键证据是否被保留,以及无关内容是否占据了可用上下文空间。
衡量交给 LLM 的检索上下文与当前问题是否真正相关;大量看似相近但不能回答问题的 Chunk 会降低有效信息密度并干扰生成。
Context Relevance
Context Relevance 衡量检索结果作为模型输入时,与当前问题的实际相关程度,即这些内容是否能够直接支持理解、推理或回答问题。
成立边界
相关不等于“主题相似”。一个 Chunk 即使包含与问题相同的关键词,只要无法帮助回答当前问题,其上下文相关性仍然可能很低。评估时应关注它是否提供了回答所需的事实、条件、定义或证据。
与相邻概念的区别
| 概念 | 关注点 |
|---|---|
| Context Relevance | 检索内容是否真正与当前问题有关 |
| Retrieval Recall | 需要的信息是否被检索出来 |
| Context Precision | 检索结果中真正有用内容所占比例 |
一个结果集可能召回了目标信息,却同时混入大量无关 Chunk;这时召回能力不一定差,但上下文质量仍可能较低。
最小例子
问题是“订单取消后多久退款”,检索结果包含退款时效说明、订单取消规则和大量普通支付介绍。前两类内容能够支撑回答,后者虽然都属于支付主题,却不能直接回答问题,因此不应仅因主题相近就判为高相关。
常见误解
常见误解是用关键词命中数量代替 Context Relevance。真正需要判断的是检索片段能否为当前问题提供有效信息;大量相似但无答案价值的 Chunk 会降低有效信息密度,并增加模型处理噪声的负担。
衡量检索上下文是否覆盖回答问题所需的全部关键事实;即使每个 Chunk 都相关,只要缺少其中一个必要知识点,最终答案仍可能不完整。
Context Coverage
Context Coverage 衡量检索到的上下文是否覆盖回答问题所需的关键事实,重点判断“需要的信息有没有都进入上下文”,而不只是判断 Chunk 是否相关。
成立边界
它通常以问题对应的关键事实集合为参照:若需要回答的事实有多个,而上下文只提供其中一部分,即使这些内容都高度相关,Coverage 仍然不足。它关注的是覆盖完整度,不是内容相关性本身。
对于一个包含若干必要事实的问题,可以用已覆盖的关键事实数与关键事实总数表示:
实际评估时,关键事实如何划分需要先统一标注标准,否则不同评审者可能得到不同结果。
与相邻概念的区别
| 概念 | 主要回答的问题 |
|---|---|
| Context Coverage | 需要的关键事实是否基本都被检索上下文覆盖 |
| Relevance | 检索到的内容是否与问题相关 |
| Context Precision | 上下文中有多少内容真正有用、无关内容有多少 |
| Answer Completeness | 最终答案是否把应回答的内容表达完整 |
因此,“所有 Chunk 都相关”并不等于“Coverage 很高”:相关内容如果集中在同一个事实点上,仍可能遗漏其他必要信息。
最小例子
问题要求回答一个产品的支持版本、认证方式和默认端口。检索上下文只包含支持版本与认证方式,没有默认端口信息。此时上下文相关性可以很高,但 Coverage 只覆盖了部分必要事实。
常见误解是把“命中了相关文档”直接当成“覆盖完整”。评估时应先列出回答所需的关键事实,再逐项检查上下文是否能够直接支持这些事实。
检索与回答评估
衡量前 K 个检索结果覆盖了多少应当被找到的相关内容,重点回答“该找的有没有找全”;适合诊断漏召回和过滤过严等问题。
Recall@K
Recall@K 衡量检索返回的前 K 个结果中,包含了多少应当被检索到的相关内容,核心问题是“前 K 个结果有没有把目标内容找回来”。
成立边界
Recall@K 需要先定义一个已知的相关内容集合,例如人工标注的相关文档、段落或候选 Chunk。设相关内容总数为 ,前 K 个结果中命中的相关内容数为 ,则:
因此 K 越小,指标越强调少量靠前结果能否覆盖目标;K 增大后,更多结果有机会被纳入统计。这个指标主要反映召回是否充分,不能单独说明结果排序是否优秀。
与相邻概念的区别
| 概念 | 主要回答的问题 |
|---|---|
| Recall@K | 前 K 个结果找回了多少已知相关内容 |
| Precision@K | 前 K 个结果中有多少是相关的 |
| MRR | 第一个相关结果出现得有多靠前 |
| nDCG@K | 前 K 个结果的相关性排序质量如何 |
例如,前 10 个结果中找回了全部相关内容,Recall@10 可以达到 1;但如果大量无关结果排在前面,Recall@10 仍然可能很高,这并不能证明排序质量也高。
最小例子
假设标注集共有 4 个相关 Chunk,检索系统的前 5 个结果找回其中 3 个,则:
这表示前 5 个结果覆盖了 75% 的已知相关内容,还有 1 个相关 Chunk 没有被召回。
常见误解是把 Recall@K 当成“答案正确率”。它只描述检索阶段的相关内容覆盖情况;即使 Recall@K 很高,后续上下文拼接、排序、生成过程仍可能导致最终答案不完整或错误。
衡量前 K 个检索结果中有多少是真正相关内容,重点回答“找出来的准不准”;结果中无关 Chunk 较多时该指标会下降。
Precision@K
Precision@K 衡量前 K 个检索结果中,有多少条属于真正相关内容,核心回答“检索结果准不准”。
成立边界
设前 K 个结果中有 条被标注为相关,则 Precision@K 为 。例如取前 5 条,其中 3 条相关,则 Precision@5 = 0.6,即 60%。它只看前 K 条结果,不直接衡量更多位置之后是否存在相关内容。
与相邻指标的区别
| 指标 | 主要关注 | 典型问题 |
|---|---|---|
| Precision@K | 前 K 条中相关结果的占比 | 找出来的内容准不准? |
| Recall@K | 所有相关结果中有多少被前 K 条覆盖 | 该找出的内容漏了多少? |
| Hit@K | 前 K 条是否至少命中一条相关结果 | 有没有找到至少一个可用答案? |
Precision@K 对“无关 Chunk 占据前排”很敏感,因此适合观察检索结果是否过于嘈杂。
最小例子
某查询的前 4 个 Chunk 中,只有第 1、3 个与问题直接相关,则 Precision@4 = 2/4 = 0.5。若把其中一个无关 Chunk 替换成相关 Chunk,则 Precision@4 提升为 0.75。
常见误解是把 Precision@K 高理解为“答案一定完整”。它只说明前 K 个结果里的相关比例较高,并不能证明所有必要信息都已被召回。
判断前 K 个结果中是否至少出现一个正确答案,通常按问题统计命中或未命中;适合只有一个主要目标文档的知识问答检索评估。
Hit@K
Hit@K 判断前 K 个检索结果中是否至少出现一条相关结果,只要有一条命中就记为命中,因此重点回答“有没有找到至少一个可用答案”。
成立边界
对单个查询,如果前 K 条结果中至少一条满足相关性标准,则 Hit@K = 1,否则为 0。对一批查询,通常取所有查询命中值的平均数,得到整体 Hit@K。
这个指标特别适合每个问题都有一个主要目标文档、目标 Chunk 或明确答案来源的场景。它关注“至少找到一个”,不关心其余结果是否也相关。
与相邻指标的区别
| 指标 | 判定方式 | 信息量 |
|---|---|---|
| Hit@K | 前 K 条至少有一条相关即可命中 | 判断是否找到候选答案 |
| Precision@K | 前 K 条中相关结果占比 | 判断结果是否集中且准确 |
| Recall@K | 前 K 条覆盖全部相关结果的比例 | 判断相关内容是否遗漏 |
因此,一个查询即使只有 1 条相关结果、其余 9 条都无关,只要该相关结果位于前 10 条,Hit@10 仍然为 1。
最小例子
查询的前 5 个结果依次为无关、无关、相关、无关、无关,则 Hit@5 = 1;如果前 5 个全部无关,则 Hit@5 = 0。
常见误解是认为 Hit@K = 1 代表检索质量整体很好。它只证明至少命中一次,无法反映无关结果有多少,也无法说明多个相关结果是否全部被召回。
Mean Reciprocal Rank 关注第一个正确结果出现的位置,正确内容越靠前得分越高;适合评估用户通常只需要首个有效答案的检索任务。
MRR
MRR(Mean Reciprocal Rank,平均倒数排名)用第一个正确结果的排名位置衡量检索质量,正确结果越靠前,得分越高。
成立边界
对每个查询,只关注第一个相关结果。若第一个正确结果排在第 位,该查询的倒数排名为 ;若没有找到正确结果,通常记为 0。整个数据集的 MRR 是所有查询倒数排名的平均值。
与相邻指标的区别
| 指标 | 主要关注 | 典型场景 |
|---|---|---|
| MRR | 第一个正确结果的位置 | 用户通常需要首个有效答案 |
| Recall@K | 前 K 个结果是否覆盖相关答案 | 关注有没有召回到目标内容 |
| NDCG | 多个结果的相关程度与排序 | 相关性存在多个等级 |
MRR 不会区分第一个正确结果之后还有多少其他相关结果,因此不适合单独评价整组排序质量。
最小例子
3 个查询的第一个正确结果分别出现在第 1、2、4 位,则倒数排名分别为 1、0.5、0.25,MRR 为 。
典型误解是把 MRR 当成“所有相关结果的平均排名”。它实际只取每个查询的第一个正确结果。
速查提示
当评估目标是“用户多久能看到第一个有效答案”时,MRR 很直接;当一个查询存在多个不同程度的相关结果时,应结合能够评价整体排序的指标。
Normalized Discounted Cumulative Gain 同时考虑结果相关程度和排序位置,适用于存在多级相关性标注、需要评估整组排序质量的场景。
NDCG
NDCG(Normalized Discounted Cumulative Gain,归一化折损累计增益)同时考虑结果的相关程度和出现位置,用于评价一组排序结果的整体质量。
成立边界
NDCG 需要为结果提供相关性等级,例如 0 表示不相关、1 表示较相关、2 表示高度相关。排序越靠前的结果权重越高,后面的结果会因位置折损而降低贡献;随后再用理想排序的得分进行归一化,使结果通常落在 0 到 1 的范围内。
与相邻指标的区别
| 指标 | 主要关注 | 是否区分相关等级 |
|---|---|---|
| MRR | 第一个正确结果的位置 | 通常不区分 |
| Precision@K | 前 K 个结果中有多少相关 | 通常按相关/不相关 |
| NDCG | 前部结果的整体相关性与排序 | 是 |
因此,同一组结果即使都包含相关内容,把高度相关结果提前,NDCG 也可能更高。
最小例子
假设一个查询返回 3 个结果,相关性分数为 [3, 2, 0]。如果改成 [0, 3, 2],虽然相关结果仍然存在,但高相关结果被排到后面,折损更明显,因此 NDCG 会下降。
典型误解是认为 NDCG 只判断“有没有相关结果”。它还评价相关程度和排序位置,所以必须有可比较的相关性标注。
速查提示
NDCG 更适合搜索结果、RAG 检索候选集等存在多个相关答案且相关程度不同的任务。若只有“第一个结果是否正确”的目标,MRR 往往更贴合评价问题。
衡量模型回答中的事实是否能够由提供的上下文支持,重点检查是否擅自加入检索资料之外的断言;常用于评估 RAG 的生成可靠性。
Faithfulness
Faithfulness 衡量生成回答中的陈述是否能够被给定上下文直接支持,核心是判断回答有没有超出检索证据进行无依据扩写。
成立边界
评估对象是回答与提供上下文之间的支撑关系,不是判断上下文或原始资料本身是否真实、准确。一个回答即使完全忠实于错误资料,也可能具有较高的 Faithfulness。
与相邻概念的区别
| 概念 | 主要检查对象 | 核心问题 |
|---|---|---|
| Faithfulness | 回答与上下文 | 回答中的陈述能否由上下文支持? |
| Groundedness | 回答与知识来源 | 回答是否建立在给定来源之上? |
| Correctness | 回答与真实世界事实 | 回答本身是否正确? |
在 RAG 场景中,Faithfulness 更聚焦于“有没有凭空添加上下文没有提供的信息”。
最小例子
上下文写明“服务部署在 8080 端口”,回答说“服务部署在 8080 端口”,该陈述有证据支持;若回答进一步说“8080 端口已经对公网开放”,而上下文没有相关信息,这部分属于未被上下文支持的新增断言。
常见误解是把 Faithfulness 等同于事实正确率。两者不同:Faithfulness 关注证据支撑,而事实正确性还需要独立的真实世界证据。
衡量最终回答是否建立在给定知识来源之上,并能与引用资料对应;强调答案有依据,不代表引用的原始资料本身一定正确。
Groundedness
Groundedness 衡量最终回答是否能够与给定知识来源建立明确依据关系,重点判断答案是否“有来源可依”,而不是单独判断来源内容是否正确。
成立边界
一个回答具有较好的 Groundedness,通常意味着其重要结论能够在指定文档、检索片段或引用来源中找到对应依据。来源本身存在错误时,回答仍可能具有较高的 Groundedness,因为该指标主要检查回答是否落在给定证据基础上。
与相邻概念的区别
| 概念 | 关注重点 | 来源错误时是否仍可能成立 |
|---|---|---|
| Groundedness | 回答是否有给定来源依据 | 是 |
| Faithfulness | 回答陈述是否被上下文支持 | 是 |
| Correctness | 回答是否符合真实或权威事实 | 否,通常需要独立验证 |
Groundedness 与 Faithfulness 高度相关,但具体评估标准可能因评估框架而不同:前者强调答案与知识来源的依据关系,后者更强调生成陈述不得超出可支持范围。
最小例子
知识库文档写明“退款申请需在订单完成后 7 天内提交”。回答说“该系统要求在订单完成后 7 天内申请退款”,可以从来源中找到直接依据,因此具有较好的 Groundedness;若回答加入“逾期一定会自动扣除服务费”,而来源没有这项信息,则该新增结论缺少来源支撑。
常见误解是认为 Groundedness 高就代表答案一定正确。实际上,它首先回答的是“答案依据了什么”,而不是“依据的内容本身是否真实”。
模型生成了无法由上下文或可靠来源支持的内容,包括虚构事实、参数或出处;RAG 可以降低这类风险,但不能仅靠检索彻底消除。
Hallucination
Hallucination(幻觉)是指模型生成了无法由给定上下文或可靠外部来源支持的内容,使回答看起来合理却缺乏事实依据。
成立边界
判断幻觉不能只看回答是否自然流畅,而要核对关键陈述能否从检索到的上下文、数据库或其他可信来源中得到支持。虚构事实、不存在的参数、错误引用和捏造出处都属于典型表现。
RAG 可以通过检索相关资料,为模型提供可核验的上下文,从而降低无依据生成的概率。但检索结果本身可能遗漏、过时或包含错误信息,因此“有 RAG”不等于“没有幻觉”。
与相关概念的区别
| 概念 | 核心问题 | 典型判断方式 |
|---|---|---|
| Hallucination | 生成内容是否缺乏依据 | 核对回答与上下文或可靠来源 |
| Retrieval failure | 是否没有检索到需要的信息 | 检查召回内容、相关性和覆盖范围 |
| Grounded answer | 回答是否有提供证据支撑 | 检查关键结论能否由上下文推出 |
检索失败可能进一步诱发幻觉,但二者不是同一个问题;即使检索成功,模型仍可能错误解释或超出证据范围生成内容。
最小例子
知识库明确写着“服务端口为 8080”,检索结果也包含这句话;模型却回答“服务端口为 9090”,且没有其他可靠依据支持 9090,这就是典型幻觉。
相反,如果上下文只说明“服务监听 HTTP 端口”,没有给出具体端口号,回答直接补出 8080 同样属于无依据扩展。
常见误解
常见误解是把“回答中包含引用”直接视为没有幻觉。引用存在并不代表引用真的支持结论;评估时仍需逐项检查结论与证据是否对应。