核心发现
方法论
本文提出了上下文驱动分解（CDD）方法，旨在诊断RAG模型在知识冲突下的上下文合规性。CDD通过五个步骤进行分解：提取上下文答案、提取参数化答案、比较两者、隔离冲突前提、解决冲突。该方法使得模型在处理冲突时的行为可观察和可测试。
关键结果
- 在TruthfulQA误解注入测试中，标准RAG模型的准确率仅为15.0%，而CDD方法提高到62.0%。
- 在Epi-Scale测试中，CDD在实体替换和逻辑矛盾的准确率分别达到88.0%和83.2%，显著高于基线模型。
- CDD在Gemini-2.5-Flash模型上显示出对抗性准确率的提升，尤其在Claude变体中表现出方向性增益。
研究意义
该研究通过揭示RAG模型在知识冲突下的行为，提供了一种新的观察和诊断方法。CDD方法不仅提高了模型在特定冲突类型下的准确性，还为未来的模型改进提供了新的思路。该方法的提出有助于增强模型在处理复杂信息时的鲁棒性，具有重要的学术和实际应用价值。
技术贡献
CDD方法通过显式的冲突分解步骤，使得RAG模型在知识冲突下的行为可观察。与现有方法相比，CDD不仅提高了模型的准确性，还揭示了模型在冲突处理中的潜在机制。这为未来的模型设计提供了新的理论和工程可能性。
新颖性
CDD首次将冲突处理视为可观察问题，通过上下文和参数化答案的分解，使得模型在冲突下的行为可测试。这种方法与传统的RAG模型不同，提供了新的视角和工具。
局限性
- CDD方法在处理非局部化冲突（如时间转移和干扰证据）时，效果不如在局部化冲突中显著。
- 该方法在计算资源上要求较高，尤其是在大规模数据集上的应用。
未来方向
未来的研究可以探索CDD方法在不同模型架构上的适用性，以及如何降低其计算成本。此外，可以研究如何将CDD与其他冲突检测和解决方法结合，以提高模型的整体性能。
AI 总览摘要
在处理复杂信息时，RAG模型通常依赖于检索到的证据。然而，当这些证据与模型的先验知识发生冲突时，模型的表现可能会受到严重影响。现有的方法往往忽视了这一问题，仅关注最终答案的正确性。
本文提出了一种新的方法——上下文驱动分解（CDD），通过将冲突分解为多个步骤，使得模型在处理冲突时的行为可观察和可测试。实验结果表明，CDD方法在处理实体替换和逻辑矛盾等局部化冲突时，显著提高了模型的准确性。
尽管CDD方法在特定类型的冲突下表现出色，但在处理非局部化冲突时，其效果不如预期。未来的研究可以探索如何将CDD与其他方法结合，以提高模型的整体性能，并降低其计算成本。
深度分析
研究背景
随着自然语言处理技术的发展，检索增强生成（RAG）模型在处理复杂信息时表现出色。然而，当检索到的证据与模型的先验知识发生冲突时，模型的表现可能会受到影响。现有的方法往往忽视了这一问题，仅关注最终答案的正确性。
核心问题
RAG模型在知识冲突下的表现往往不稳定，尤其是在检索到的证据与模型的先验知识不一致时。如何有效地检测和处理这些冲突，是一个亟待解决的问题。
核心创新
本文提出的上下文驱动分解（CDD）方法，通过显式的冲突分解步骤，使得模型在冲突下的行为可观察。这种方法不仅提高了模型的准确性，还揭示了模型在冲突处理中的潜在机制。
方法详解
- �� 提取上下文答案：从检索到的证据中提取答案。
- �� 提取参数化答案：从模型的先验知识中提取答案。
- �� 比较两者：检测两者之间的冲突。
- �� 隔离冲突前提：识别导致冲突的具体前提。
- �� 解决冲突：通过分析和调整，解决冲突并生成最终答案。
实验设计
实验在Epi-Scale数据集上进行，包含2250个基础样本和2250个对抗样本。使用标准RAG、CDD和其他基线模型进行比较，评估CDD在不同冲突类型下的表现。
结果分析
CDD在实体替换和逻辑矛盾的准确率分别达到88.0%和83.2%，显著高于基线模型。这表明CDD在处理局部化冲突时具有显著优势。
应用场景
CDD方法可以应用于需要处理复杂信息的领域，如法律、医学和金融等。通过提高模型在冲突下的准确性，CDD可以增强这些领域的自动化决策能力。
局限与展望
CDD方法在处理非局部化冲突时效果不如预期。此外，该方法在计算资源上要求较高，尤其是在大规模数据集上的应用。未来的研究可以探索如何降低其计算成本。
通俗解读 非专业人士也能看懂
想象你在厨房里做饭。你有一本食谱（模型的先验知识），但朋友给你发了一条信息，说某种食材有毒（检索到的证据）。你需要决定是否相信这条信息。CDD方法就像一个助手，它帮助你分析这条信息是否可信，并指导你做出正确的决定。通过分解问题，CDD可以帮助你更好地理解和处理这些冲突。
简单解释 像给14岁少年讲一样
想象你在玩一个游戏，游戏里有个问题需要回答。你有一本游戏指南（模型的先验知识），但游戏里突然出现了一条提示，说指南是错的。你需要决定相信哪个。CDD就像一个聪明的助手，帮你分析这些信息，找出哪个是对的。它会一步步地帮你解决问题，让你在游戏中取得更好的成绩！
术语表
RAG (检索增强生成)
一种结合检索和生成的模型，通过检索外部证据来增强生成答案的准确性。
在处理复杂信息时，RAG模型常用于提高答案的准确性。
CDD (上下文驱动分解)
一种分解冲突的诊断方法，通过五个步骤使模型在冲突下的行为可观察。
CDD用于诊断RAG模型在知识冲突下的表现。
上下文合规
指模型在回答问题时是否遵循检索到的证据，即使这些证据与模型的先验知识冲突。
研究中用于评估模型在知识冲突下的表现。
实体替换
一种对抗样本生成方法，通过替换文本中的实体来制造冲突。
在实验中用于测试模型在局部化冲突下的表现。
逻辑矛盾
文本中存在的逻辑不一致，可能导致模型生成错误答案。
在实验中用于测试模型在逻辑冲突下的表现。
开放问题 这项研究留下的未解疑问
- 1 如何在不增加计算成本的情况下提高CDD方法的适用性？
- 2 如何将CDD与其他冲突检测方法结合，以提高模型的整体性能？
应用场景
近期应用
法律文档分析
CDD可以用于分析法律文档中的冲突信息，帮助律师更快地找到关键证据。
医学诊断
在医学领域，CDD可以帮助医生识别和处理诊断信息中的冲突，提高诊断的准确性。
远期愿景
智能决策系统
通过提高模型在复杂信息下的鲁棒性，CDD有望推动智能决策系统的发展，应用于各个行业。
原文摘要
Retrieval-Augmented Generation (RAG) is usually evaluated by whether the final answer is correct. Under knowledge conflict, this hides a key question: did the model follow retrieved evidence, rely on its parametric prior, or produce a post-hoc rationale? We study this as context compliance, the regime in which retrieved context controls the answer even when it conflicts with the model's prior knowledge. We introduce Context-Driven Decomposition (CDD), an inference-time diagnostic intervention that elicits contextual and prior answers, isolates the conflicting premise, and records a resolution trace that can be perturbed. Across Epi-Scale stress tests, TruthfulQA misconception injection, and cross-model reruns, CDD makes three behaviors visible. First, misleading retrieval can severely degrade accuracy: under a worst-case TruthfulQA misconception-injection probe, Standard RAG reaches only 15.0%. Second, better answers need not share the same mechanism: CDD improves adversarial accuracy on Gemini-2.5-Flash and shows directional gains across Claude variants, yet trace-perturbation sensitivity is high only on Gemini. Third, explicit decomposition improves controlled-conflict robustness over a conflict-aware instruction baseline on localized factual conflicts, with the clearest margins on Entity Swap (88.0% vs 79.3%) and Logical Contradiction (83.2% vs 75.4%). We frame RAG conflict handling as an observability problem.