FinGround：通过原子命题验证检测并 grounding 金融幻觉

金融 AI 系统必须生成基于特定监管文件的文件，然而当前大语言模型会虚构指标、编造引用并误算派生数值。这些错误直接导致监管后果，欧盟 AI 法案的高风险执法截止日期即将到来（2026 年 8 月）。现有的幻觉检测器对所有命题统一处理，漏掉 43% 需要对结构表格进行算术重验证的计算错误。我们提出 FinGround，一个三阶段验证- grounding 流水线，用于金融文件问答。阶段 1 在文本和表格之间进行金融领域感知的混合检索。阶段 2 将答案分解为原子命题，通过六类型金融分类法对其进行分类，并通过包括公式重构在内的类型路由策略进行验证。阶段 3 用段落和表格单元格级别的引用重写不受支持的命题。为干净地隔离验证价值与检索质量，我们提出检索等化评估作为 RAG 验证研究的标准方法：即使所有系统接收相同的检索，FinGround 仍比最强基线降低幻觉率 68%（$p < 0.01$）。完整管线相较于 GPT-4o 降低幻觉率 78%。一个 8B 蒸馏检测器在 18 倍更低的 per-claim 延迟下保留 91.4% F1 分数，使 $0.003$/query 的部署成为可能，得到四周分析师试点情报的支持。