检索命中率高却回答不可信，怎样分别评测召回与有依据程度？

同时保留检索候选与生成使用的片段

适用于正确资料在结果列表里，回答却编造数字、漏掉例外或引用错误章节的系统。先确定标注粒度和可接受依据，记录任务允许哪些外部知识。文档级命中可能过于宽松，源文件包含答案但被采用片段不含关键句时，不能把整条问答判为检索和生成都成功。

分开定义证据召回与回答依据

先检查正确片段在候选及最终上下文中的位置，再把答案拆成可核对主张，标记支持、冲突与未知。区分忠实于给定资料和现实事实正确，资料本身过期时这两者可能不同。评审模型给分也需要标准与抽查，不能让其看到引用格式就默认所有内容已有证据。

逐主张检查支持关系及遗漏条件

建立片段相关性与回答依据两套记录，保留原文限制和有效日期。召回遗漏时调整候选生成，片段已完整提供而回答超出依据时再调整生成与拒答策略。一次只改对应阶段，并检查是否增加不必要拒答；检索分数不能直接作为答案可信概率使用。

把召回失败和生成失败分别统计

分别统计证据未取回、组装丢失及生成无依据等失败，复核典型样本。增加没有答案及部分有答案的问题，检查系统不会用相关但不支持的内容凑结论。成功标准应同时覆盖召回和主张支持；文档命中率、答案流畅度或总体平均分较高，都不能代替这两个检查。

本文没有运行检索或评审模型，未给出质量提升数据。不同评测器对命中与有依据的定义不同，使用前要明确输入和标注方式。统计时保留样本数量及类型，不能把少量人工观察当作全量指标；对关键事实仍需要直接来源核实，不能只依赖自动评审分数。