知识卡片：温度如何塑造检索增强生成中的意识形态话语

一句话结论
RAG 框架会将其检索到的意识形态话语传递到 LLM 生成中，且采样温度显著影响该传递强度：中等温度下话语对齐最高，低温度下由于确定性过强而抑制传递。

事件概述或研究问题
尽管 RAG 被广泛用于减少幻觉和增强事实性，但检索材料若包含意识形态立场，RAG 可能在其输出中传递、放大或抑制这些话语。现有研究主要关注检索错误的鲁棒性，而忽视了意识形态偏见的影响。本研究旨在考察 RAG 框架（包含意识形态话语）对 LLM 生成答案的影响，并探究采样温度如何调节这一过程。

方法/产品要点

• 使用词汇多维分析（Lexical Multidimensional Analysis, LMDA）对 1,117 篇 COVID-19 治疗文章进行语料分析，识别出三种意识形态话语。
• 将该语料作为 RAG 的外部知识源。
• 让多个 LLM 在不同采样温度下回答意识形态问题。
• 从语义和词汇两个维度，评估生成文本与意识形态参考文本的相似性（即话语对齐程度）。

主要结果或产业意义

• RAG 框架倾向于将意识形态话语转移到 LLM 响应中。
• 采样温度对传递强度有可测量的影响：
  • 中等温度（模型在随机性与检索依据之间取得平衡）时，生成答案与参考文本的话语对齐最高。
  • 低温度（过于确定的采样）会抑制话语传递。
• 该发现提示，在部署 RAG 系统时需关注温度设置对意识形态倾向的放大或抑制效应，尤其涉及有争议或价值观敏感话题时。

为什么重要

• 此前 RAG 的鲁棒性研究多集中在事实性错误上，意识形态偏见的系统性影响被忽视。本文首次量化温度参数如何调控 RAG 中的话语转移，为 RAG 的伦理调参提供了实证依据。
• 与已有知识卡片（如 DynaKRAG 的检索策略控制、RoPE 的长度泛化）不同，本条目聚焦于 RAG 的意识形态风险及其与超参数（温度）的关系，填补了 RAG 安全性评估中“价值观透明度”的缺失。

局限与不确定性

• 论文仅使用 COVID-19 治疗文章这一单一语料域，三种意识形态话语的具体内容未在摘要中详述（待核实完整论文）。
• 未明确说明评估了哪些 LLM 及具体型号（待核实）。
• 温度对意识形态传递的调节机制（如为何中等温度最高）可进一步研究，可能涉及模型随机性与检索证据权重的非线性交互。

可用于图书/PPT/简报的角度

• 案例：在医疗问答 RAG 系统中，若检索库包含不同立场的治疗建议（如支持/反对某种药物），温度设置可能无形中强化某一立场，需结合温度校准与检索源筛选。
• 图表灵感：绘制温度 vs. 话语对齐度的 U 形曲线（中等温度峰值，低温和高温下降）。
• 实践建议：对于价值观敏感的应用（如政治、健康），推荐使用低温以减少话语传递，或对检索内容进行立场标注后动态调整温度。

原始材料

• 论文标题：How Temperature Shapes Ideological Discourse in Retrieval-Augmented Generation?
• 英文关键词：Retrieval-Augmented Generation, ideological bias, sampling temperature, discourse transfer, lexical multidimensional analysis
• 来源：arXiv:2607.11783v1, cs.CL
• 链接：https://arxiv.org/abs/2607.11783v1