RDLLM explicado
ELI5
Imagina que una respuesta de IA es un trabajo escolar. RDLLM hace que la IA muestre que libros uso, que frase viene de que fuente, y si las personas que crearon esas fuentes deben recibir credito o pago. Si falta la prueba, la respuesta no debe fingir que esta bien fundamentada.
Simple
RDLLM es una capa open source para productos de IA. Agrega un pie de fuentes visible, comprueba que las fuentes realmente apoyen las afirmaciones, y registra como el uso de fuentes se conecta con pago o escrow.
Usalo si construyes un chatbot, app RAG, buscador, agente, API de modelo, marketplace o plataforma de creadores y quieres que los usuarios vean de donde viene una respuesta.
Non-Technical
RDLLM ayuda a tres grupos:
- Los usuarios ven fuentes, evidencia de afirmaciones y senales de confianza.
- Creadores y publishers reciben evidencia de atribucion y registros de settlement.
- Operadores tienen verificaciones antes de mostrar una respuesta como grounded o royalty-bearing.
El sistema no dice que puede leer los pensamientos ocultos del modelo. Reporta evidencia observable: soporte visible de fuentes, overlap entre respuesta y fuente, Claim Evidence, desacuerdo entre fuentes y asignacion de payout.
Technical
En runtime, RDLLM toma una respuesta, referencias de fuentes y contexto de ingresos. Construye un source footer con filas de fuentes y filas de Claim Evidence. Cada fila de claim incluye claim hash, support score, evidence span hash, character offsets, evidence preview, warrant status, source-disagreement status y source label.
Antes del display, los verifiers recalculan display hash, footer hash, row
hashes, metricas de uso de fuente, Claim Evidence, marcadores de cita, links en
la respuesta, claim-source closure, wording sobre model reliance,
attribution-gap closure y source disagreement. La respuesta es public-facing
solo cuando production_display_ready es true y
source_grounding_acceptance esta passed.
Para implementar, empieza aqui: