解读 | RAG 检索增强生成中的幻觉抑制路径

检索增强生成（RAG）的幻觉问题，本质上是「模型对检索内容的过度自信」与「检索内容本身的噪声」共同作用的结果。这篇 ACL 2026 的论文给出了一个系统性的分析框架。

三层抑制思路

论文将幻觉抑制拆解为三个层面：

1. 检索质量：引入查询改写与重排序，降低无关片段进入上下文的概率
2. 上下文利用：通过注意力归因，识别模型是否真正依赖了检索内容
3. 生成约束：在解码阶段对「无证据支持」的 token 施加惩罚

核心结果

在最强的配置下，幻觉率相对基线下降了约 37%，同时答案召回率基本持平：

值得注意的是，惩罚过强会导致模型拒绝回答，论文用动态阈值来平衡两者。

我们的看法

• 该方法对私有知识库场景尤其有价值，工程上可直接与重排序管线结合
• 动态阈值的标定依赖领域数据，落地时需要做一次小规模校准