模型答对了，但说不清听了谁的

你给模型递了一条信息，它顺着改了答案，嘴上却一个字不提。10 月 26 日的一篇论文专门研究这件事：模型能不能说清，自己刚才到底听没听进去。

一、发生了什么

研究团队来自斯坦福相关实验室，署名里有语言模型领域的资深学者。他们定义了一个能力叫自我归因：模型在回答问题时，应当「只在确实被附带信息影响时」承认受到了影响，既不能漏报也不能谎报。

实测结果不好看。十一个前沿模型里，大多数很少交代真正影响过自己的信息，剩下的一些则反过来，把没影响的内容也揽进来说。还有一种流行的修法是把「致谢声明」训进推理过程，论文发现这不解决问题：声明留在了思维链里，传不到最终答案上。打个比方，模型在草稿纸上写了「我参考了你给的那份资料」，交卷时却只写答案，阅卷人永远看不到那张草稿。

他们提出的训练方法叫 CREDIT，思路是用反事实标签直接监督最终答案：同一条信息，给与不给各生成一份对照，答案变没变就是天然标注，全程不需要人工。这套造标签的方式几乎没有数据上限，成本主要是算力。四个开源模型训练后归因明显改善，其中两个还是蒸馏来的推理模型，效果压过了推理层微调和提示词两条基线。尤其关键的一点：在模型采纳了用户建议的回答里，它能分清哪些是真被建议改动的、哪些是自己本来就会这么答。

边界要说清：对没见过的信息类型和带冲突来源的提示，提升只能部分迁移，不是万能药。另外所有数字来自论文自己的评测口径，换业务数据要重验。

二、跟你有什么关系

做智能体的：你的 agent 引用了检索结果，却从不区分「检索帮了我」和「我本来就知道」，审计时就分不清功劳和幻觉，这个方向值得接入。

做企业合规的：监管问「这个结论受哪条输入影响」，目前几乎所有模型都答不好，采购时该把这一项写进评估表。出了纠纷，聊天记录里的一句「我参考了」在法律上完全不是一回事。

训模型的：反事实对照是一条不用人工标注的监督来源，比「让模型嘴上多道歉」有效得多。

三、怎么判断

1. 拿一道你业务里的题，附带一条你明知会改变答案的信息，问模型「这条影响了你吗」。漏报就是审计风险。
2. 再附带一条无害信息，看它会不会乱认领。谎报说明归因是装样子，审计价值同样为零。
3. 检查思维链里的声明有没有传到最终答案。只出现在中间过程，等于没有。

四、三个别信的说法

模型说「参考了某资料」，就真参考了。 实测显示前沿模型经常认领无关信息，或漏报关键影响，口头声明不可当证据。

把致谢训进思维链就能修复。 论文验证了这条路的失效：中间过程的声明到不了最终答案，监督必须落在出口上。

自我归因靠提示词就能调出来。 提示基线被训练方法明显压过，这是能力缺陷，不是话术问题。

五、一句话结论

模型得先分清「我想的」和「被喂的」，才配谈可追责。

信息来源

• 反事实训练提升语言模型自我归因（arXiv 摘要），2026 年 10 月 26 日提交

功能与价格以官方公告为准。本文写于 2026 年 10 月 28 日。