El artículo introduce el "aterrizaje engañoso" (DG), un modo de fallo en la generación aumentada por recuperación clínica donde las afirmaciones del modelo están fundamentadas factualmente en documentos reales pero atribuidas a la entidad incorrecta. Este problema permanece invisible ante las verificaciones estándar de fidelidad, alucinación y citación.

  • Un benchmark factorial controlado a través de 13 modelos revela tasas de DG del 8-87% bajo condiciones adversarias, con modelos médicos ajustados finamente alcanzando hasta el 86.7%.
  • Los estudios de ablation muestran que eliminar la evidencia clínica específica de la entidad elimina el fallo de atribución, desplazando los errores hacia la confabulación.
  • La medición en producción a través de 740 pares fármaco-enfermedad encontró una tasa general de DG del 7.8% en un sistema desplegado, aumentando al 13.6% para medicamentos aprobados recientemente.
  • La verificación de atribución de entidades detecta DG con una precisión del 97.0% y una recuperación del 98.7%, pero no está implementada en los marcos existentes.

Los autores argumentan que la verificación de atribución de entidades es crítica para detectar este modo de fallo, que la especialización del dominio amplifica en lugar de mitigar.