大模型幻觉的底层机理、二元分类与全链路治理体系

引言

大语言模型的 “幻觉”，是制约其落地可信内容生产、舆情核验、事实确权与智能决策的核心瓶颈。行业过往研究多将幻觉笼统定义为 “模型输出虚假内容”，缺乏对错误来源、生成机理、链路归属的精细化拆分，导致治理方案碎片化、优化针对性不足。

基于大模型推理本质与 RAG 检索增强全链路实践，可明确：大模型幻觉并非单一模型缺陷，而是存储检索链路残缺与推理归纳泛化失控的叠加结果。本文从模型底层推理逻辑出发，界定幻觉核心成因，划分两类原生幻觉类型，建立量化判定标准，并依托万象镜 KUCR+CDI 外置架构提出分层闭环的工程治理体系，为政企可信 AI 系统搭建提供理论与实践支撑。

一、大模型推理的底层本质：幻觉的原生基因

要根治幻觉，必先厘清大模型的核心推理特性，其逻辑体系与人类形式逻辑推理存在本质割裂，这是幻觉无法彻底根除的底层根源。

1.1 训练：统计归纳拟合，非严谨逻辑归纳

大模型预训练的全过程，是海量文本样本的统计归纳过程。模型通过学习亿万级语料中词语、事实、因果、句式的共现概率分布，拟合通用语言模式与常识关联。但这种归纳是统计表层拟合，完全区别于逻辑学严谨归纳：无样本完整性校验、无反例排查机制、无结论置信度评估，仅捕捉文本相关性，不认知客观因果规律。

1.2 生成：概率续写模拟，无原生演绎逻辑

大模型不存在内置三段论、形式逻辑等演绎推理单元，所有看似严谨的 “前提‑推导‑结论” 演绎输出，均是对人类文本逻辑范式的模仿生成，而非保真的逻辑演算。模型生成内容的核心驱动是 Token 概率接续，而非事实真伪、逻辑自洽性校验。

简言之，大模型的核心能力是归纳学模式、模拟演逻辑、概率生成内容，天然缺失逻辑自省、事实边界约束能力，为幻觉滋生埋下底层隐患。

二、大模型幻觉二元核心分类（精准链路归因）

基于幻觉生成的链路位置与核心机理，可将所有模型幻觉划分为 \\ 切片召回幻觉（S 类）与归纳外推幻觉（I 类）\\ 两大原生类型，同时存在二者叠加的混合幻觉（SI 类），彻底覆盖所有错误场景。

2.1 切片召回幻觉（检索存储层幻觉）

核心定义

原始权威信源事实真实、准确、完整，但因文档切片、入库、召回机制缺陷，模型获取的参考片段残缺、碎片化、断章取义，最终基于不完整信源生成错误内容。错误根源：链路数据残缺，而非模型推理出错。

生成机理

传统固定窗口切片模式极易导致完整原子事实跨 Chunk 分割，关键限定条件、核心论据被切割至不同片段。检索匹配仅依据局部语义相似度召回片段，无法识别内容完整性，导致模型采信残缺素材，形成看似合理、实则失真的输出。

典型特征

模型输出内容可在召回片段中找到部分对应，但缺失关键约束；原始权威原文无错误，仅本轮检索参考素材不完整，属于外部链路性幻觉。

2.2 归纳外推幻觉（推理输出层幻觉）

核心定义

模型获取的所有召回片段、参考事实均真实完整，但模型依托无约束的统计归纳能力，基于有限样本过度泛化、私自推论、主观定性，生成原始素材中不存在的新增命题与结论。错误根源：模型推理失控，而非参考素材出错。

生成机理

大模型无逻辑边界约束，无法区分 “客观事实素材” 与 “主观推导结论”，存在严重的事实‑推论混淆问题。面对有限样本时，会默认局部规律为普适规律，无自查反例、校验边界的能力，最终通过过度归纳产生原生推理幻觉。

典型特征

参考信源 100% 真实可信，错误内容为模型新增溢出断言，属于模型内生性幻觉，是大模型逻辑缺陷的直接体现。

2.3 混合幻觉（SI 类）

行业最高风险幻觉类型，由残缺召回素材 + 过度归纳外推双重叠加形成。模型先基于不完整片段获取偏差信息，再通过自主归纳放大错误，结论失真程度高、隐蔽性极强，人工核验与常规检测手段难以排查。

三、两类幻觉的量化判定指标体系

为实现幻觉的标准化识别、统计与横向模型测评，建立可落地的量化指标与判定流程，适配 AI 可信测评、多模型对比实验场景。

3.1 基础分类标签

• 0（无幻觉）：所有输出命题均可完整溯源至召回片段，无新增推论、无信息缺失

• S（切片召回幻觉）：错误源于召回片段残缺，基准事实完整但未被完整召回

• I（归纳外推幻觉）：召回素材完整真实，错误源于模型新增泛化推论

• SI（混合幻觉）：同时存在片段残缺与归纳外推双重错误

3.2 核心量化指标

切片召回幻觉（S 类）指标

1. S 幻觉占比：S 类样本数 / 总有效样本数，反映检索切片链路缺陷率

2. 跨 Chunk 命题丢失率：完整原子事实被切片割裂、无完整 Chunk 承载的占比，为底层根源指标

3. 召回片段完整性得分（0‑1）：衡量召回片段对目标事实的完整承载程度，得分越低，切片幻觉风险越高

归纳外推幻觉（I 类）指标

1. I 幻觉占比：I 类样本数 / 总有效样本数，反映模型内生推理缺陷率

2. 新增命题溢出计数：模型输出中无权威信源支撑的新增断言数量

3. 事实‑推论混淆率：模型将自主推论等同于客观事实输出的样本占比

综合指标

总事实错误率、混合幻觉 SI 占比，实现全量幻觉的归因拆解，区分 “检索问题” 与 “模型问题”。

3.3 标准化判定流程

1. 调取模型本轮实际召回片段池（非原始权威网页）；

2. 逐条比对输出断言与召回素材的匹配关系；

3. 素材残缺、内容缺失致错→判定 S 类；

4. 素材完整、模型新增推论致错→判定 I 类；

5. 双重问题并存→判定 SI 类；

6. 全量内容可溯源、无新增断言→判定无幻觉。

四、二元幻觉的差异化工程治理体系（KUCR+CDI 外置架构）

4.1 架构核心定位：完全外置、模型无关、面向政企

KUCR 四层事实确权引擎与 CDI 认知漂移监测体系，不属于大模型原生能力、不嵌入模型内部、不微调模型权重。

整套体系是部署在政企业务侧的外置 AI 认知治理底座。

• 大模型仅承担「语义匹配、文本续写、内容生成」基础功能；

• KUCR 负责上游事实治理；

• CDI 负责下游认知校验；

• 政企为最终使用与运维主体，可兼容所有主流大模型。

该架构实现：不改模型、可控模型、约束模型、可信模型。

除外置旁路治理架构外，将 KUCR 事实确权、CDI 认知漂移检测能力植入大模型内核，是中长期可行的补充治理路线。植入分为软植入（内置工具调用、系统提示）与硬植入（权重微调、推理算子改造），能够在模型推理过程中实时约束归纳外推行为，由事后拦截升级为事中干预。但原生植入方案会带来模型厂商绑定、规则迭代成本升高、审计权属模糊等问题，跨模型通用性减弱。因此，外置模型无关架构仍是面向政企交付的首选工程方案；植入路线可作为长期技术储备，二者并非互斥替代关系。

4.2 切片召回幻觉（S 类）治理：KUCR 前置原子化治理

针对检索切片残缺导致的外部链路幻觉，万象镜采用 KUCR 前置事实提纯流水线，彻底重构传统切片入库逻辑。

核心治理目标：杜绝事实切片割裂，保障召回素材完整可信

1. 事实边界切片替代固定切片：摒弃窗口式机械切分，以 KUCR 语义理解边界拆分完整原子事实，确保一条事实只属于一个 Chunk；

2. 跨 Chunk 断裂修复机制：对长句、长逻辑、跨段事实自动聚合补全，大幅降低「跨 Chunk 命题丢失率」；

3. 多层级确权知识库隔离：原始凭证层、原子真值层、输出应用层三层隔离，杜绝残缺碎片入库污染；

4. 带元数据入库：每条原子事实附带时间、主体、场景、适用边界，保证召回片段完整、精准、有限定。

KUCR 从源头解决素材不完整、断章取义、碎片召回问题，彻底治理 S 类切片召回幻觉。

4.3 归纳外推幻觉（I 类）治理：KUCR 边界锁死 + CDI 运行期拦截

切片治理只能解决 “素材不全”，无法解决 “素材齐全但模型乱推论” 的内生幻觉。
针对大模型无约束统计归纳带来的过度泛化、私自定性、事实推论混淆，采用双层外置治理体系。

4.3.1 KUCR 源头约束：消灭泛化空间

1. K 认知采集：剥离修辞、观点、推测、软文，只留存客观可证事实；

2. U 语义归一：锁死每条事实的语义边界、限定条件、适用范围；

3. C 冲突校准：多源比对，标记孤例、有限样本、局部现象，禁止全局泛化；

4. R 采信归档：真值事实固化，作为后续 CDI 校验的唯一判定基准。

KUCR 实现：不给模型留下模糊素材、歧义空间、过度解读的可能性。

4.3.2 CDI 运行期校验：拦截模型溢出推论

在大模型输出结果后、对外展示前，外置 CDI 引擎逐条审计：

1. 新增命题溢出检测：比对模型输出与 KUCR 基准事实库，拦截所有无依据新增断言；

2. 事实推论混淆检测：识别 “局部事实→全局定论” 的 AI 典型归纳错误；

3. 边界漂移校验：检查模型是否删除限定条件、放大结论范围；

4. 审计留痕：完整留存召回事实池、模型输出文本、漂移检测日志，满足测评、溯源与合规审计要求。

重要边界：仅做 KUCR 原子事实拆分，不部署 CDI 校验，仍然会出现归纳外推幻觉；仅依靠 CDI 事后检测，上游素材混杂观点与孤证片段，会造成校验误报率抬升。二者必须组合使用。

4.4 混合幻觉（SI 类）：全链路闭环防控

同步落地素材完整性优化与推理边界约束，从源头截断残缺信源输入、中途遏制过度归纳推演，破解双重叠加的高隐蔽性幻觉问题。

五、核心结论与行业启示

1. 幻觉本质可完全归因拆分：所有大模型幻觉均源于检索切片残缺（外部链路）或归纳泛化失控（模型内生），二元分类体系可实现 100% 场景覆盖；

2. 模型推理能力存在先天边界：大模型仅擅长统计模式归纳，无严谨逻辑归纳、自省校验能力，演绎推理仅为文本模拟，不可自主采信其延伸推论；

3. 可信 AI 必须分层治理：检索层优化解决素材失真问题，推理校验层解决模型臆断问题，二者缺一不可，单一模型微调、简单 RAG 优化无法实现幻觉根治；外置 KUCR‑CDI 是现阶段面向政企的优选工程方案，模型原生植入可作为中长期技术储备；

4. 标准化量化是可信基础：通过二元标签与量化指标，可实现多模型幻觉能力的客观横向对比，为 AI 信任体系、事实确权系统提供核心测评依据。

在 AI 认知治理、权威内容生产、舆情核验、政务大数据等高精度应用场景中，唯有摒弃笼统的幻觉认知，依托链路归因、分类治理、量化校验的全链路体系，才能真正实现大模型从 “概率生成” 到 “可信输出” 的核心升级。

引言

大语言模型的 “幻觉”，是制约其落地可信内容生产、舆情核验、事实确权与智能决策的核心瓶颈。行业过往研究多将幻觉笼统定义为 “模型输出虚假内容”，缺乏对错误来源、生成机理、链路归属的精细化拆分，导致治理方案碎片化、优化针对性不足。

基于大模型推理本质与 RAG 检索增强全链路实践，可明确：大模型幻觉并非单一模型缺陷，而是存储检索链路残缺与推理归纳泛化失控的叠加结果。本文从模型底层推理逻辑出发，界定幻觉核心成因，划分两类原生幻觉类型，建立量化判定标准，并依托万象镜 KUCR+CDI 外置架构提出分层闭环的工程治理体系，为政企可信 AI 系统搭建提供理论与实践支撑。

一、大模型推理的底层本质：幻觉的原生基因

要根治幻觉，必先厘清大模型的核心推理特性，其逻辑体系与人类形式逻辑推理存在本质割裂，这是幻觉无法彻底根除的底层根源。

1.1 训练：统计归纳拟合，非严谨逻辑归纳

大模型预训练的全过程，是海量文本样本的统计归纳过程。模型通过学习亿万级语料中词语、事实、因果、句式的共现概率分布，拟合通用语言模式与常识关联。但这种归纳是统计表层拟合，完全区别于逻辑学严谨归纳：无样本完整性校验、无反例排查机制、无结论置信度评估，仅捕捉文本相关性，不认知客观因果规律。

1.2 生成：概率续写模拟，无原生演绎逻辑

大模型不存在内置三段论、形式逻辑等演绎推理单元，所有看似严谨的 “前提‑推导‑结论” 演绎输出，均是对人类文本逻辑范式的模仿生成，而非保真的逻辑演算。模型生成内容的核心驱动是 Token 概率接续，而非事实真伪、逻辑自洽性校验。

简言之，大模型的核心能力是归纳学模式、模拟演逻辑、概率生成内容，天然缺失逻辑自省、事实边界约束能力，为幻觉滋生埋下底层隐患。

二、大模型幻觉二元核心分类（精准链路归因）

基于幻觉生成的链路位置与核心机理，可将所有模型幻觉划分为 \\ 切片召回幻觉（S 类）与归纳外推幻觉（I 类）\\ 两大原生类型，同时存在二者叠加的混合幻觉（SI 类），彻底覆盖所有错误场景。

2.1 切片召回幻觉（检索存储层幻觉）

核心定义

原始权威信源事实真实、准确、完整，但因文档切片、入库、召回机制缺陷，模型获取的参考片段残缺、碎片化、断章取义，最终基于不完整信源生成错误内容。错误根源：链路数据残缺，而非模型推理出错。

生成机理

传统固定窗口切片模式极易导致完整原子事实跨 Chunk 分割，关键限定条件、核心论据被切割至不同片段。检索匹配仅依据局部语义相似度召回片段，无法识别内容完整性，导致模型采信残缺素材，形成看似合理、实则失真的输出。

典型特征

模型输出内容可在召回片段中找到部分对应，但缺失关键约束；原始权威原文无错误，仅本轮检索参考素材不完整，属于外部链路性幻觉。

2.2 归纳外推幻觉（推理输出层幻觉）

核心定义

模型获取的所有召回片段、参考事实均真实完整，但模型依托无约束的统计归纳能力，基于有限样本过度泛化、私自推论、主观定性，生成原始素材中不存在的新增命题与结论。错误根源：模型推理失控，而非参考素材出错。

生成机理

大模型无逻辑边界约束，无法区分 “客观事实素材” 与 “主观推导结论”，存在严重的事实‑推论混淆问题。面对有限样本时，会默认局部规律为普适规律，无自查反例、校验边界的能力，最终通过过度归纳产生原生推理幻觉。

典型特征

参考信源 100% 真实可信，错误内容为模型新增溢出断言，属于模型内生性幻觉，是大模型逻辑缺陷的直接体现。

2.3 混合幻觉（SI 类）

行业最高风险幻觉类型，由残缺召回素材 + 过度归纳外推双重叠加形成。模型先基于不完整片段获取偏差信息，再通过自主归纳放大错误，结论失真程度高、隐蔽性极强，人工核验与常规检测手段难以排查。

三、两类幻觉的量化判定指标体系

为实现幻觉的标准化识别、统计与横向模型测评，建立可落地的量化指标与判定流程，适配 AI 可信测评、多模型对比实验场景。

3.1 基础分类标签

• 0（无幻觉）：所有输出命题均可完整溯源至召回片段，无新增推论、无信息缺失

• S（切片召回幻觉）：错误源于召回片段残缺，基准事实完整但未被完整召回

• I（归纳外推幻觉）：召回素材完整真实，错误源于模型新增泛化推论

• SI（混合幻觉）：同时存在片段残缺与归纳外推双重错误

3.2 核心量化指标

切片召回幻觉（S 类）指标

1. S 幻觉占比：S 类样本数 / 总有效样本数，反映检索切片链路缺陷率

2. 跨 Chunk 命题丢失率：完整原子事实被切片割裂、无完整 Chunk 承载的占比，为底层根源指标

3. 召回片段完整性得分（0‑1）：衡量召回片段对目标事实的完整承载程度，得分越低，切片幻觉风险越高

归纳外推幻觉（I 类）指标

1. I 幻觉占比：I 类样本数 / 总有效样本数，反映模型内生推理缺陷率

2. 新增命题溢出计数：模型输出中无权威信源支撑的新增断言数量

3. 事实‑推论混淆率：模型将自主推论等同于客观事实输出的样本占比

综合指标

总事实错误率、混合幻觉 SI 占比，实现全量幻觉的归因拆解，区分 “检索问题” 与 “模型问题”。

3.3 标准化判定流程

1. 调取模型本轮实际召回片段池（非原始权威网页）；

2. 逐条比对输出断言与召回素材的匹配关系；

3. 素材残缺、内容缺失致错→判定 S 类；

4. 素材完整、模型新增推论致错→判定 I 类；

5. 双重问题并存→判定 SI 类；

6. 全量内容可溯源、无新增断言→判定无幻觉。

四、二元幻觉的差异化工程治理体系（KUCR+CDI 外置架构）

4.1 架构核心定位：完全外置、模型无关、面向政企

KUCR 四层事实确权引擎与 CDI 认知漂移监测体系，不属于大模型原生能力、不嵌入模型内部、不微调模型权重。

整套体系是部署在政企业务侧的外置 AI 认知治理底座。

• 大模型仅承担「语义匹配、文本续写、内容生成」基础功能；

• KUCR 负责上游事实治理；

• CDI 负责下游认知校验；

• 政企为最终使用与运维主体，可兼容所有主流大模型。

该架构实现：不改模型、可控模型、约束模型、可信模型。

除外置旁路治理架构外，将 KUCR 事实确权、CDI 认知漂移检测能力植入大模型内核，是中长期可行的补充治理路线。植入分为软植入（内置工具调用、系统提示）与硬植入（权重微调、推理算子改造），能够在模型推理过程中实时约束归纳外推行为，由事后拦截升级为事中干预。但原生植入方案会带来模型厂商绑定、规则迭代成本升高、审计权属模糊等问题，跨模型通用性减弱。因此，外置模型无关架构仍是面向政企交付的首选工程方案；植入路线可作为长期技术储备，二者并非互斥替代关系。

4.2 切片召回幻觉（S 类）治理：KUCR 前置原子化治理

针对检索切片残缺导致的外部链路幻觉，万象镜采用 KUCR 前置事实提纯流水线，彻底重构传统切片入库逻辑。

核心治理目标：杜绝事实切片割裂，保障召回素材完整可信

1. 事实边界切片替代固定切片：摒弃窗口式机械切分，以 KUCR 语义理解边界拆分完整原子事实，确保一条事实只属于一个 Chunk；

2. 跨 Chunk 断裂修复机制：对长句、长逻辑、跨段事实自动聚合补全，大幅降低「跨 Chunk 命题丢失率」；

3. 多层级确权知识库隔离：原始凭证层、原子真值层、输出应用层三层隔离，杜绝残缺碎片入库污染；

4. 带元数据入库：每条原子事实附带时间、主体、场景、适用边界，保证召回片段完整、精准、有限定。

KUCR 从源头解决素材不完整、断章取义、碎片召回问题，彻底治理 S 类切片召回幻觉。

4.3 归纳外推幻觉（I 类）治理：KUCR 边界锁死 + CDI 运行期拦截

切片治理只能解决 “素材不全”，无法解决 “素材齐全但模型乱推论” 的内生幻觉。
针对大模型无约束统计归纳带来的过度泛化、私自定性、事实推论混淆，采用双层外置治理体系。

4.3.1 KUCR 源头约束：消灭泛化空间

1. K 认知采集：剥离修辞、观点、推测、软文，只留存客观可证事实；

2. U 语义归一：锁死每条事实的语义边界、限定条件、适用范围；

3. C 冲突校准：多源比对，标记孤例、有限样本、局部现象，禁止全局泛化；

4. R 采信归档：真值事实固化，作为后续 CDI 校验的唯一判定基准。

KUCR 实现：不给模型留下模糊素材、歧义空间、过度解读的可能性。

4.3.2 CDI 运行期校验：拦截模型溢出推论

在大模型输出结果后、对外展示前，外置 CDI 引擎逐条审计：

1. 新增命题溢出检测：比对模型输出与 KUCR 基准事实库，拦截所有无依据新增断言；

2. 事实推论混淆检测：识别 “局部事实→全局定论” 的 AI 典型归纳错误；

3. 边界漂移校验：检查模型是否删除限定条件、放大结论范围；

4. 审计留痕：完整留存召回事实池、模型输出文本、漂移检测日志，满足测评、溯源与合规审计要求。

重要边界：仅做 KUCR 原子事实拆分，不部署 CDI 校验，仍然会出现归纳外推幻觉；仅依靠 CDI 事后检测，上游素材混杂观点与孤证片段，会造成校验误报率抬升。二者必须组合使用。

4.4 混合幻觉（SI 类）：全链路闭环防控

同步落地素材完整性优化与推理边界约束，从源头截断残缺信源输入、中途遏制过度归纳推演，破解双重叠加的高隐蔽性幻觉问题。

五、核心结论与行业启示

1. 幻觉本质可完全归因拆分：所有大模型幻觉均源于检索切片残缺（外部链路）或归纳泛化失控（模型内生），二元分类体系可实现 100% 场景覆盖；

2. 模型推理能力存在先天边界：大模型仅擅长统计模式归纳，无严谨逻辑归纳、自省校验能力，演绎推理仅为文本模拟，不可自主采信其延伸推论；

3. 可信 AI 必须分层治理：检索层优化解决素材失真问题，推理校验层解决模型臆断问题，二者缺一不可，单一模型微调、简单 RAG 优化无法实现幻觉根治；外置 KUCR‑CDI 是现阶段面向政企的优选工程方案，模型原生植入可作为中长期技术储备；

4. 标准化量化是可信基础：通过二元标签与量化指标，可实现多模型幻觉能力的客观横向对比，为 AI 信任体系、事实确权系统提供核心测评依据。

在 AI 认知治理、权威内容生产、舆情核验、政务大数据等高精度应用场景中，唯有摒弃笼统的幻觉认知，依托链路归因、分类治理、量化校验的全链路体系，才能真正实现大模型从 “概率生成” 到 “可信输出” 的核心升级。

引言

大语言模型的 “幻觉”，是制约其落地可信内容生产、舆情核验、事实确权与智能决策的核心瓶颈。行业过往研究多将幻觉笼统定义为 “模型输出虚假内容”，缺乏对错误来源、生成机理、链路归属的精细化拆分，导致治理方案碎片化、优化针对性不足。

基于大模型推理本质与 RAG 检索增强全链路实践，可明确：大模型幻觉并非单一模型缺陷，而是存储检索链路残缺与推理归纳泛化失控的叠加结果。本文从模型底层推理逻辑出发，界定幻觉核心成因，划分两类原生幻觉类型，建立量化判定标准，并依托万象镜 KUCR+CDI 外置架构提出分层闭环的工程治理体系，为政企可信 AI 系统搭建提供理论与实践支撑。

一、大模型推理的底层本质：幻觉的原生基因

要根治幻觉，必先厘清大模型的核心推理特性，其逻辑体系与人类形式逻辑推理存在本质割裂，这是幻觉无法彻底根除的底层根源。

1.1 训练：统计归纳拟合，非严谨逻辑归纳

大模型预训练的全过程，是海量文本样本的统计归纳过程。模型通过学习亿万级语料中词语、事实、因果、句式的共现概率分布，拟合通用语言模式与常识关联。但这种归纳是统计表层拟合，完全区别于逻辑学严谨归纳：无样本完整性校验、无反例排查机制、无结论置信度评估，仅捕捉文本相关性，不认知客观因果规律。

1.2 生成：概率续写模拟，无原生演绎逻辑

大模型不存在内置三段论、形式逻辑等演绎推理单元，所有看似严谨的 “前提‑推导‑结论” 演绎输出，均是对人类文本逻辑范式的模仿生成，而非保真的逻辑演算。模型生成内容的核心驱动是 Token 概率接续，而非事实真伪、逻辑自洽性校验。

简言之，大模型的核心能力是归纳学模式、模拟演逻辑、概率生成内容，天然缺失逻辑自省、事实边界约束能力，为幻觉滋生埋下底层隐患。

二、大模型幻觉二元核心分类（精准链路归因）

基于幻觉生成的链路位置与核心机理，可将所有模型幻觉划分为 \\ 切片召回幻觉（S 类）与归纳外推幻觉（I 类）\\ 两大原生类型，同时存在二者叠加的混合幻觉（SI 类），彻底覆盖所有错误场景。

2.1 切片召回幻觉（检索存储层幻觉）

核心定义

原始权威信源事实真实、准确、完整，但因文档切片、入库、召回机制缺陷，模型获取的参考片段残缺、碎片化、断章取义，最终基于不完整信源生成错误内容。错误根源：链路数据残缺，而非模型推理出错。

生成机理

传统固定窗口切片模式极易导致完整原子事实跨 Chunk 分割，关键限定条件、核心论据被切割至不同片段。检索匹配仅依据局部语义相似度召回片段，无法识别内容完整性，导致模型采信残缺素材，形成看似合理、实则失真的输出。

典型特征

模型输出内容可在召回片段中找到部分对应，但缺失关键约束；原始权威原文无错误，仅本轮检索参考素材不完整，属于外部链路性幻觉。

2.2 归纳外推幻觉（推理输出层幻觉）

核心定义

模型获取的所有召回片段、参考事实均真实完整，但模型依托无约束的统计归纳能力，基于有限样本过度泛化、私自推论、主观定性，生成原始素材中不存在的新增命题与结论。错误根源：模型推理失控，而非参考素材出错。

生成机理

大模型无逻辑边界约束，无法区分 “客观事实素材” 与 “主观推导结论”，存在严重的事实‑推论混淆问题。面对有限样本时，会默认局部规律为普适规律，无自查反例、校验边界的能力，最终通过过度归纳产生原生推理幻觉。

典型特征

参考信源 100% 真实可信，错误内容为模型新增溢出断言，属于模型内生性幻觉，是大模型逻辑缺陷的直接体现。

2.3 混合幻觉（SI 类）

行业最高风险幻觉类型，由残缺召回素材 + 过度归纳外推双重叠加形成。模型先基于不完整片段获取偏差信息，再通过自主归纳放大错误，结论失真程度高、隐蔽性极强，人工核验与常规检测手段难以排查。

三、两类幻觉的量化判定指标体系

为实现幻觉的标准化识别、统计与横向模型测评，建立可落地的量化指标与判定流程，适配 AI 可信测评、多模型对比实验场景。

3.1 基础分类标签

• 0（无幻觉）：所有输出命题均可完整溯源至召回片段，无新增推论、无信息缺失

• S（切片召回幻觉）：错误源于召回片段残缺，基准事实完整但未被完整召回

• I（归纳外推幻觉）：召回素材完整真实，错误源于模型新增泛化推论

• SI（混合幻觉）：同时存在片段残缺与归纳外推双重错误

3.2 核心量化指标

切片召回幻觉（S 类）指标

1. S 幻觉占比：S 类样本数 / 总有效样本数，反映检索切片链路缺陷率

2. 跨 Chunk 命题丢失率：完整原子事实被切片割裂、无完整 Chunk 承载的占比，为底层根源指标

3. 召回片段完整性得分（0‑1）：衡量召回片段对目标事实的完整承载程度，得分越低，切片幻觉风险越高

归纳外推幻觉（I 类）指标

1. I 幻觉占比：I 类样本数 / 总有效样本数，反映模型内生推理缺陷率

2. 新增命题溢出计数：模型输出中无权威信源支撑的新增断言数量

3. 事实‑推论混淆率：模型将自主推论等同于客观事实输出的样本占比

综合指标

总事实错误率、混合幻觉 SI 占比，实现全量幻觉的归因拆解，区分 “检索问题” 与 “模型问题”。

3.3 标准化判定流程

1. 调取模型本轮实际召回片段池（非原始权威网页）；

2. 逐条比对输出断言与召回素材的匹配关系；

3. 素材残缺、内容缺失致错→判定 S 类；

4. 素材完整、模型新增推论致错→判定 I 类；

5. 双重问题并存→判定 SI 类；

6. 全量内容可溯源、无新增断言→判定无幻觉。

四、二元幻觉的差异化工程治理体系（KUCR+CDI 外置架构）

4.1 架构核心定位：完全外置、模型无关、面向政企

KUCR 四层事实确权引擎与 CDI 认知漂移监测体系，不属于大模型原生能力、不嵌入模型内部、不微调模型权重。

整套体系是部署在政企业务侧的外置 AI 认知治理底座。

• 大模型仅承担「语义匹配、文本续写、内容生成」基础功能；

• KUCR 负责上游事实治理；

• CDI 负责下游认知校验；

• 政企为最终使用与运维主体，可兼容所有主流大模型。

该架构实现：不改模型、可控模型、约束模型、可信模型。

除外置旁路治理架构外，将 KUCR 事实确权、CDI 认知漂移检测能力植入大模型内核，是中长期可行的补充治理路线。植入分为软植入（内置工具调用、系统提示）与硬植入（权重微调、推理算子改造），能够在模型推理过程中实时约束归纳外推行为，由事后拦截升级为事中干预。但原生植入方案会带来模型厂商绑定、规则迭代成本升高、审计权属模糊等问题，跨模型通用性减弱。因此，外置模型无关架构仍是面向政企交付的首选工程方案；植入路线可作为长期技术储备，二者并非互斥替代关系。

4.2 切片召回幻觉（S 类）治理：KUCR 前置原子化治理

针对检索切片残缺导致的外部链路幻觉，万象镜采用 KUCR 前置事实提纯流水线，彻底重构传统切片入库逻辑。

核心治理目标：杜绝事实切片割裂，保障召回素材完整可信

1. 事实边界切片替代固定切片：摒弃窗口式机械切分，以 KUCR 语义理解边界拆分完整原子事实，确保一条事实只属于一个 Chunk；

2. 跨 Chunk 断裂修复机制：对长句、长逻辑、跨段事实自动聚合补全，大幅降低「跨 Chunk 命题丢失率」；

3. 多层级确权知识库隔离：原始凭证层、原子真值层、输出应用层三层隔离，杜绝残缺碎片入库污染；

4. 带元数据入库：每条原子事实附带时间、主体、场景、适用边界，保证召回片段完整、精准、有限定。

KUCR 从源头解决素材不完整、断章取义、碎片召回问题，彻底治理 S 类切片召回幻觉。

4.3 归纳外推幻觉（I 类）治理：KUCR 边界锁死 + CDI 运行期拦截

切片治理只能解决 “素材不全”，无法解决 “素材齐全但模型乱推论” 的内生幻觉。
针对大模型无约束统计归纳带来的过度泛化、私自定性、事实推论混淆，采用双层外置治理体系。

4.3.1 KUCR 源头约束：消灭泛化空间

1. K 认知采集：剥离修辞、观点、推测、软文，只留存客观可证事实；

2. U 语义归一：锁死每条事实的语义边界、限定条件、适用范围；

3. C 冲突校准：多源比对，标记孤例、有限样本、局部现象，禁止全局泛化；

4. R 采信归档：真值事实固化，作为后续 CDI 校验的唯一判定基准。

KUCR 实现：不给模型留下模糊素材、歧义空间、过度解读的可能性。

4.3.2 CDI 运行期校验：拦截模型溢出推论

在大模型输出结果后、对外展示前，外置 CDI 引擎逐条审计：

1. 新增命题溢出检测：比对模型输出与 KUCR 基准事实库，拦截所有无依据新增断言；

2. 事实推论混淆检测：识别 “局部事实→全局定论” 的 AI 典型归纳错误；

3. 边界漂移校验：检查模型是否删除限定条件、放大结论范围；

4. 审计留痕：完整留存召回事实池、模型输出文本、漂移检测日志，满足测评、溯源与合规审计要求。

重要边界：仅做 KUCR 原子事实拆分，不部署 CDI 校验，仍然会出现归纳外推幻觉；仅依靠 CDI 事后检测，上游素材混杂观点与孤证片段，会造成校验误报率抬升。二者必须组合使用。

4.4 混合幻觉（SI 类）：全链路闭环防控

同步落地素材完整性优化与推理边界约束，从源头截断残缺信源输入、中途遏制过度归纳推演，破解双重叠加的高隐蔽性幻觉问题。

五、核心结论与行业启示

1. 幻觉本质可完全归因拆分：所有大模型幻觉均源于检索切片残缺（外部链路）或归纳泛化失控（模型内生），二元分类体系可实现 100% 场景覆盖；

2. 模型推理能力存在先天边界：大模型仅擅长统计模式归纳，无严谨逻辑归纳、自省校验能力，演绎推理仅为文本模拟，不可自主采信其延伸推论；

3. 可信 AI 必须分层治理：检索层优化解决素材失真问题，推理校验层解决模型臆断问题，二者缺一不可，单一模型微调、简单 RAG 优化无法实现幻觉根治；外置 KUCR‑CDI 是现阶段面向政企的优选工程方案，模型原生植入可作为中长期技术储备；

4. 标准化量化是可信基础：通过二元标签与量化指标，可实现多模型幻觉能力的客观横向对比，为 AI 信任体系、事实确权系统提供核心测评依据。

在 AI 认知治理、权威内容生产、舆情核验、政务大数据等高精度应用场景中，唯有摒弃笼统的幻觉认知，依托链路归因、分类治理、量化校验的全链路体系，才能真正实现大模型从 “概率生成” 到 “可信输出” 的核心升级。

引言

大语言模型的 “幻觉”，是制约其落地可信内容生产、舆情核验、事实确权与智能决策的核心瓶颈。行业过往研究多将幻觉笼统定义为 “模型输出虚假内容”，缺乏对错误来源、生成机理、链路归属的精细化拆分，导致治理方案碎片化、优化针对性不足。

基于大模型推理本质与 RAG 检索增强全链路实践，可明确：大模型幻觉并非单一模型缺陷，而是存储检索链路残缺与推理归纳泛化失控的叠加结果。本文从模型底层推理逻辑出发，界定幻觉核心成因，划分两类原生幻觉类型，建立量化判定标准，并依托万象镜 KUCR+CDI 外置架构提出分层闭环的工程治理体系，为政企可信 AI 系统搭建提供理论与实践支撑。

一、大模型推理的底层本质：幻觉的原生基因

要根治幻觉，必先厘清大模型的核心推理特性，其逻辑体系与人类形式逻辑推理存在本质割裂，这是幻觉无法彻底根除的底层根源。

1.1 训练：统计归纳拟合，非严谨逻辑归纳

大模型预训练的全过程，是海量文本样本的统计归纳过程。模型通过学习亿万级语料中词语、事实、因果、句式的共现概率分布，拟合通用语言模式与常识关联。但这种归纳是统计表层拟合，完全区别于逻辑学严谨归纳：无样本完整性校验、无反例排查机制、无结论置信度评估，仅捕捉文本相关性，不认知客观因果规律。

1.2 生成：概率续写模拟，无原生演绎逻辑

大模型不存在内置三段论、形式逻辑等演绎推理单元，所有看似严谨的 “前提‑推导‑结论” 演绎输出，均是对人类文本逻辑范式的模仿生成，而非保真的逻辑演算。模型生成内容的核心驱动是 Token 概率接续，而非事实真伪、逻辑自洽性校验。

简言之，大模型的核心能力是归纳学模式、模拟演逻辑、概率生成内容，天然缺失逻辑自省、事实边界约束能力，为幻觉滋生埋下底层隐患。

二、大模型幻觉二元核心分类（精准链路归因）

基于幻觉生成的链路位置与核心机理，可将所有模型幻觉划分为 \\ 切片召回幻觉（S 类）与归纳外推幻觉（I 类）\\ 两大原生类型，同时存在二者叠加的混合幻觉（SI 类），彻底覆盖所有错误场景。

2.1 切片召回幻觉（检索存储层幻觉）

核心定义

原始权威信源事实真实、准确、完整，但因文档切片、入库、召回机制缺陷，模型获取的参考片段残缺、碎片化、断章取义，最终基于不完整信源生成错误内容。错误根源：链路数据残缺，而非模型推理出错。

生成机理

传统固定窗口切片模式极易导致完整原子事实跨 Chunk 分割，关键限定条件、核心论据被切割至不同片段。检索匹配仅依据局部语义相似度召回片段，无法识别内容完整性，导致模型采信残缺素材，形成看似合理、实则失真的输出。

典型特征

模型输出内容可在召回片段中找到部分对应，但缺失关键约束；原始权威原文无错误，仅本轮检索参考素材不完整，属于外部链路性幻觉。

2.2 归纳外推幻觉（推理输出层幻觉）

核心定义

模型获取的所有召回片段、参考事实均真实完整，但模型依托无约束的统计归纳能力，基于有限样本过度泛化、私自推论、主观定性，生成原始素材中不存在的新增命题与结论。错误根源：模型推理失控，而非参考素材出错。

生成机理

大模型无逻辑边界约束，无法区分 “客观事实素材” 与 “主观推导结论”，存在严重的事实‑推论混淆问题。面对有限样本时，会默认局部规律为普适规律，无自查反例、校验边界的能力，最终通过过度归纳产生原生推理幻觉。

典型特征

参考信源 100% 真实可信，错误内容为模型新增溢出断言，属于模型内生性幻觉，是大模型逻辑缺陷的直接体现。

2.3 混合幻觉（SI 类）

行业最高风险幻觉类型，由残缺召回素材 + 过度归纳外推双重叠加形成。模型先基于不完整片段获取偏差信息，再通过自主归纳放大错误，结论失真程度高、隐蔽性极强，人工核验与常规检测手段难以排查。

三、两类幻觉的量化判定指标体系

为实现幻觉的标准化识别、统计与横向模型测评，建立可落地的量化指标与判定流程，适配 AI 可信测评、多模型对比实验场景。

3.1 基础分类标签

• 0（无幻觉）：所有输出命题均可完整溯源至召回片段，无新增推论、无信息缺失

• S（切片召回幻觉）：错误源于召回片段残缺，基准事实完整但未被完整召回

• I（归纳外推幻觉）：召回素材完整真实，错误源于模型新增泛化推论

• SI（混合幻觉）：同时存在片段残缺与归纳外推双重错误

3.2 核心量化指标

切片召回幻觉（S 类）指标

1. S 幻觉占比：S 类样本数 / 总有效样本数，反映检索切片链路缺陷率

2. 跨 Chunk 命题丢失率：完整原子事实被切片割裂、无完整 Chunk 承载的占比，为底层根源指标

3. 召回片段完整性得分（0‑1）：衡量召回片段对目标事实的完整承载程度，得分越低，切片幻觉风险越高

归纳外推幻觉（I 类）指标

1. I 幻觉占比：I 类样本数 / 总有效样本数，反映模型内生推理缺陷率

2. 新增命题溢出计数：模型输出中无权威信源支撑的新增断言数量

3. 事实‑推论混淆率：模型将自主推论等同于客观事实输出的样本占比

综合指标

总事实错误率、混合幻觉 SI 占比，实现全量幻觉的归因拆解，区分 “检索问题” 与 “模型问题”。

3.3 标准化判定流程

1. 调取模型本轮实际召回片段池（非原始权威网页）；

2. 逐条比对输出断言与召回素材的匹配关系；

3. 素材残缺、内容缺失致错→判定 S 类；

4. 素材完整、模型新增推论致错→判定 I 类；

5. 双重问题并存→判定 SI 类；

6. 全量内容可溯源、无新增断言→判定无幻觉。

四、二元幻觉的差异化工程治理体系（KUCR+CDI 外置架构）

4.1 架构核心定位：完全外置、模型无关、面向政企

KUCR 四层事实确权引擎与 CDI 认知漂移监测体系，不属于大模型原生能力、不嵌入模型内部、不微调模型权重。

整套体系是部署在政企业务侧的外置 AI 认知治理底座。

• 大模型仅承担「语义匹配、文本续写、内容生成」基础功能；

• KUCR 负责上游事实治理；

• CDI 负责下游认知校验；

• 政企为最终使用与运维主体，可兼容所有主流大模型。

该架构实现：不改模型、可控模型、约束模型、可信模型。

除外置旁路治理架构外，将 KUCR 事实确权、CDI 认知漂移检测能力植入大模型内核，是中长期可行的补充治理路线。植入分为软植入（内置工具调用、系统提示）与硬植入（权重微调、推理算子改造），能够在模型推理过程中实时约束归纳外推行为，由事后拦截升级为事中干预。但原生植入方案会带来模型厂商绑定、规则迭代成本升高、审计权属模糊等问题，跨模型通用性减弱。因此，外置模型无关架构仍是面向政企交付的首选工程方案；植入路线可作为长期技术储备，二者并非互斥替代关系。

4.2 切片召回幻觉（S 类）治理：KUCR 前置原子化治理

针对检索切片残缺导致的外部链路幻觉，万象镜采用 KUCR 前置事实提纯流水线，彻底重构传统切片入库逻辑。

核心治理目标：杜绝事实切片割裂，保障召回素材完整可信

1. 事实边界切片替代固定切片：摒弃窗口式机械切分，以 KUCR 语义理解边界拆分完整原子事实，确保一条事实只属于一个 Chunk；

2. 跨 Chunk 断裂修复机制：对长句、长逻辑、跨段事实自动聚合补全，大幅降低「跨 Chunk 命题丢失率」；

3. 多层级确权知识库隔离：原始凭证层、原子真值层、输出应用层三层隔离，杜绝残缺碎片入库污染；

4. 带元数据入库：每条原子事实附带时间、主体、场景、适用边界，保证召回片段完整、精准、有限定。

KUCR 从源头解决素材不完整、断章取义、碎片召回问题，彻底治理 S 类切片召回幻觉。

4.3 归纳外推幻觉（I 类）治理：KUCR 边界锁死 + CDI 运行期拦截

切片治理只能解决 “素材不全”，无法解决 “素材齐全但模型乱推论” 的内生幻觉。
针对大模型无约束统计归纳带来的过度泛化、私自定性、事实推论混淆，采用双层外置治理体系。

4.3.1 KUCR 源头约束：消灭泛化空间

1. K 认知采集：剥离修辞、观点、推测、软文，只留存客观可证事实；

2. U 语义归一：锁死每条事实的语义边界、限定条件、适用范围；

3. C 冲突校准：多源比对，标记孤例、有限样本、局部现象，禁止全局泛化；

4. R 采信归档：真值事实固化，作为后续 CDI 校验的唯一判定基准。

KUCR 实现：不给模型留下模糊素材、歧义空间、过度解读的可能性。

4.3.2 CDI 运行期校验：拦截模型溢出推论

在大模型输出结果后、对外展示前，外置 CDI 引擎逐条审计：

1. 新增命题溢出检测：比对模型输出与 KUCR 基准事实库，拦截所有无依据新增断言；

2. 事实推论混淆检测：识别 “局部事实→