研究：LLM 答案来源归因取决于作答时 KV 缓存
原文标题：Context or Knowledge: How LLMs Attribute Their Own Answers
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文通过干预模型生成答案后、被问及来源前的 KV 缓存，研究 LLM 如何报告答案出处。在 7B-32B 四个模型上，改动或删除文档缓存从不改变来源报告，而移植问答缓存则使报告完全跟随供体。沿拟合方向操控问答值可逆转 98.9-100% 的报告，说明来源报告因果依赖于作答时产生的缓存状态。
- 问题
- LLM 被问答案出处时，来源报告由什么决定。
- 方法
- 在答案生成后、来源提问前干预 KV 缓存，移植问答缓存并沿拟合方向操控数值。
- 结果
- 移植问答缓存使报告完全跟随供体；沿拟合方向操控可逆转 98.9-100% 报告，随机方向最多 1.1%。
- 影响
- 做 RAG 溯源和引用功能时，不能只信模型自报来源，它取决于作答时的缓存状态而非文档本身。
深读 · 结论先行AI 生成展开看要点与影响 ↓
干预KV缓存显示：改动文档缓存从不改变来源报告，移植问答缓存则报告完全跟随供体。
- •在7B-32B四个模型的受控事实任务上，生成答案后、询问来源前干预KV缓存。
- •改动或删除文档缓存从不改变来源报告；在问题与答案token相同时移植问答缓存，所有合格报告跟随供体。
- •两个较小模型上，沿拟合方向操控问答值可逆转98.9-100%的报告，而范数匹配的随机方向最多翻转1.1%。
- •键与值沿拟合方向的分量承载移植效应；在作答时施加同一方向也会改变由哪个来源提供答案，但更弱且依赖提示。
为什么重要：来源归因取决于作答时产生的缓存状态而非文档本身，对依赖引用与溯源可信度的RAG系统是结构性提醒；作者明确未确立一般报告准确率。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。