长文本评测如何建立证据链?

长文本评测最容易陷入“答案看起来合理”的陷阱：模型输出完整、措辞流畅，并不意味着它真正使用了文档中的关键信息。要判断长文本能力，核心不是比较上下文长度，而是建立一条可追溯的证据链，让每个结论都能回到原文位置、处理过程和评价标准。

先定义证据链的最小结构

一条可用的证据链，至少应包含四个环节：原文片段、信息提取、推理关系、最终结论。原文片段回答“依据在哪里”，信息提取说明“文档具体说了什么”，推理关系解释“这些信息如何支持判断”，最终结论则明确区分事实、推测和待确认事项。

例如，在合同审查中，不能只记录模型是否给出“存在风险”的判断，还要检查它是否定位了相关条款，是否准确概括条款内容，是否说明风险是由哪项条件触发，以及是否遗漏了其他章节中的限制。缺少其中任何一环，结论都可能只是语言上的合理，而不是证据上的成立。

用分层任务测试完整性

长文本评测不宜只设计一道综合问答，而应把任务拆成“提取—定位—比较—结论”四层。提取测试模型能否识别事实；定位测试它能否找到信息所在章节或片段；比较测试它能否处理不同文档或章节之间的差异与矛盾；结论测试它能否在证据充分时作出判断，并在证据不足时保留不确定性。

测试材料应覆盖关键信息位于文档中部、多个文件之间相互关联，以及不同章节存在冲突等情况。若模型只在信息集中出现时表现良好，却遗漏分散证据，就不能据此认定其具备稳定的长文本理解能力。

把“可复核”纳入评分

评测指标不能只有答案正确率，还应观察完整性、稳定性和证据可追溯性。开放式任务尤其要检查四项内容：结论是否准确，依据是否充分，是否遗漏重要条件，是否把推测表达成事实。

实际记录时，可要求模型同时输出“结论、依据、风险、待确认事项”。再由人工核对引用片段与原文是否一致，并重复提交同类问题，观察结果是否出现明显波动。对于合同、政策、项目资料和代码库等高风险文本，还应保留输入、检索片段、模型输出和人工修订记录，形成可审计的调用链。

长文本评测的最终目标，不是证明模型能读多少内容，而是证明它能否在复杂材料中稳定找到依据、正确连接证据，并让人清楚知道结论是如何得出的。只有当答案能够被复核，长上下文能力才真正具有业务价值。