先问一个问题：当AI模型面对上百页文档生成回答时，如何确保它引用的内容不是凭空编造的？LongCat AI 给出的答案是——让模型从一开始就学会“边写边标注”，而不是写完再回头添加注释。这种“生成即引用”的思路，跳过了传统的后处理或外部检索模块，直接把溯源能力嵌入到模型的生成流程中。关键体现在四项核心设计，下面逐一详细解析。

背后的逻辑并不复杂：让模型在输出答案的同时，自动附带精确到句子甚至字符位置的原稿出处。要实现这一点，不能依赖临时补救，而是必须从数据和训练架构层面进行根本性改造。

细粒度引用标注数据驱动微调

模型的引用能力并非天生具备。LongCat 使用了一个名为 LongCite-45k 的数据集，其中每条样本都具备标准结构：一段长文档、一个用户问题、一份标准答案——并且答案中的每一句话都明确标注了它来自原文的哪一句、哪个段落、字符偏移量是多少。训练过程中，模型被强制要求：一旦输出任何结论，就必须同时给出它的原文出处。久而久之，这种“逻辑绑定”内化为模型的肌肉记忆，而不是事后添加一个超链接。

百万级上下文让原文完整可见

引用匹配有一个硬前提：原文必须完整可见。如果上下文窗口不够导致截断，或者分块处理造成跨块引用错位，引用就难以可靠。LongCat-2.0 原生支持 100 万 Token 的上下文，这意味着整本技术手册、整份合同甚至整套代码库都可以一次性输入。没有切割，就没有信息缺失；没有分块，就避免了跨片段对齐的尴尬。模型始终对着完整的原文进行推理，自然清楚每句话出自哪个段落。

引用标记直接嵌入输出内容

传统做法往往是模型先写一段话，后面再由另一个模块解析并挂载引用。但 LongCat 的做法更加高效：模型直接生成带有引用标记的文本。例如这样的输出：
“违约金不得超过实际损失的30%^{[DocA, §3.2, 句4]}，该比例符合《民法典》第584条精神^{[DocB, p.17, 第2段]}。”
这些标记完全由模型在生成时自主决定位置，格式统一、定位精确。下游展示或校验时无需正则提取或人工对齐——拿来即可直接使用。

闭环评测确保引用质量

引用是否可靠，不能仅凭感觉判断。LongBench-Cite 这套评测体系会逐句审核：一句话在原文里是否真的有对应表述（正确性），标注的位置是否真的足够支撑结论（定位精度）。审核结果反过来再用于模型训练，持续强化模型对“依据强度”和“文本忠实度”的敏感性。简单来说，这是一个自我迭代的闭环——越测试越精准。

这四个设计环环相扣：数据打底、上下文兜底、格式内生、评测闭环。它们让引用这件事从“事后补救”变成了“先天能力”。