---
title: "Что такое grounding в LLM? Ответы с опорой на источники"
description: "Заземление (grounding) привязывает ответ LLM к вашим источникам — документам, результатам поиска или строкам базы данных, — чтобы утверждения можно было проверить."
url: https://broadrouter.com/ru/glossary/grounding/
lang: ru
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/glossary/grounding/) (обновлён 2026-11-14).

# Заземление (grounding)

Обновлено 2026-11-14

Заземление (grounding) — это практика привязки ответа языковой модели к конкретным проверяемым источникам информации, например к переданным документам, результатам поиска или записям базы данных, с инструкцией отвечать на их основе. Заземлённые ответы можно проследить до источника, и в них реже встречаются выдуманные факты.

Также называют: заземление, заземление LLM, граундинг, ответы по источникам, ответы на основе документов, привязка к источникам, grounding, grounded generation, source grounding, grounded answers

Незаземлённая модель отвечает по памяти. Заземлённая — по странице, которая лежит перед ней.

## Как это работает

Документация Google Vertex AI определяет grounding как “the ability to connect model output to verifiable sources of information.” (перевод: «способность связывать ответ модели с проверяемыми источниками информации».) Источником может быть веб-поиск, ваши собственные документы, картографический сервис или база данных. Каким бы ни был источник, схема состоит из трёх частей:

1.  **Получить доказательства** для вопроса: найденные фрагменты, целый файл, изображение счёта, строки из SQL.
2.  **Поместить их в промпт** с инструкцией отвечать только на их основе.
3.  **Сделать ответ проверяемым** с помощью цитат, маркеров ссылок или ссылок на источник.

Самый известный метод — генерация, дополненная поиском (retrieval-augmented generation). Lewis и соавторы соединили генератор с “dense vector index of Wikipedia” (перевод: «плотным векторным индексом Википедии»), к которому обращается нейросетевой ретривер, и сообщили, что ответы получились конкретнее и точнее по фактам, чем у модели, опирающейся только на свои параметры. Для построения такого индекса нужны [эмбеддинги](https://broadrouter.com/ru/glossary/embeddings/) и часто [векторная база данных](https://broadrouter.com/ru/glossary/vector-database/).

Минимальный заземлённый промпт:

```text
Answer using only the policy below. Quote the sentence that supports your answer.
If the policy does not answer the question, reply "Not in the policy."

<policy>Refunds are available within 14 days of purchase.</policy>

Question: Can I get a refund after three weeks?
```

Заземлённый ответ скажет «нет» и процитирует предложение о 14 днях. Незаземлённая модель может придумать правдоподобный срок в 30 дней.

Для длинных входов Anthropic предлагает сначала извлечь цитаты: для документов длиннее 20 000 токенов попросите модель выписать дословные цитаты, а затем отвечать только по ним.

## Почему это важно

-   **Меньше выдуманных фактов.** Google называет снижение галлюцинаций одним из главных преимуществ. Заземление — самое прямое средство против [галлюцинаций](https://broadrouter.com/ru/glossary/hallucination/) о ваших собственных данных.
-   **Свежая информация.** Веса модели заморожены на момент обучения. Источники для заземления могут меняться ежедневно без переобучения.
-   **Проверяемость.** Утверждение с цитатой может проверить человек или код.
-   **Компромисс по стоимости.** Доказательства — это входные токены. Найти пять фрагментов дешевле, чем отправить целое руководство, но можно упустить тот фрагмент, который важен. Очень длинные промпты к тому же рискуют эффектом [lost in the middle](https://broadrouter.com/ru/glossary/lost-in-the-middle/).

## В BroadNet Inference

В документации BroadNet нет эндпоинта эмбеддингов, инструмента поиска или функции ссылок на источники, поэтому поиск выполняется в вашем коде. Что даёт API, так это место для доказательств: [контекстное окно](https://broadrouter.com/ru/glossary/context-window/) на 1 048 576 токенов у DeepSeek V4.1 Flash и GLM 5.3, 262 144 у Qwen3.8 27B и ввод изображений у моделей, для которых в документации указаны изображения или vision. Поэтому вариант «вставить документ целиком» вполне реален; статья [длинный контекст или RAG](https://broadrouter.com/ru/blog/long-context-vs-rag/) сравнивает стоимость обоих подходов, а [руководство по счетам](https://broadrouter.com/ru/guides/read-arabic-invoices-with-vision/) заземляет извлечение данных на отсканированное изображение.

## Вопросы и ответы

### Заземление — это то же самое, что RAG?

RAG — один из способов заземления. Он находит фрагменты и добавляет их в промпт. Заземлить ответ можно и иначе: вставить документ целиком, приложить изображение или добавить результаты поиска в реальном времени или запроса к базе данных.

### Гарантирует ли заземление правильный ответ?

Нет. Модель всё равно может неверно прочитать источник или проигнорировать его. Просите цитаты или ссылки и проверяйте, что каждая из них действительно есть в источнике.

### Как заставить LLM отвечать только по моим документам?

Передайте документы, велите модели использовать только их, разрешите ей ответить, что ответа там нет, и требуйте цитату для каждого утверждения.

## См. также

-   [Галлюцинация (hallucination)](https://broadrouter.com/ru/glossary/hallucination/) (термин)
-   [RAG (генерация, дополненная поиском)](https://broadrouter.com/ru/glossary/rag/) (термин)
-   [Эмбеддинги (embeddings)](https://broadrouter.com/ru/glossary/embeddings/) (термин)
-   [Контекстное окно (context window)](https://broadrouter.com/ru/glossary/context-window/) (термин)
-   [Векторная база данных (vector database)](https://broadrouter.com/ru/glossary/vector-database/) (термин)
-   [Потеря в середине (lost in the middle)](https://broadrouter.com/ru/glossary/lost-in-the-middle/) (термин)
-   [Как читать арабские счета и чеки vision-моделью](https://broadrouter.com/ru/guides/read-arabic-invoices-with-vision/) (руководство)
-   [Длинный контекст или RAG: когда 1 млн токенов заменяет векторную БД](https://broadrouter.com/ru/blog/long-context-vs-rag/) (статья)
-   [RAG на арабском: нормализация, чанкинг и поиск, который работает](https://broadrouter.com/ru/blog/arabic-rag-search/) (статья)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

[Начать](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-glossary-grounding&utm_content=page-cta) ·

**Источники**

-   [Google Cloud, обзор grounding (Vertex AI)](https://docs.cloud.google.com/vertex-ai/generative-ai/docs/grounding/overview)
-   [Lewis и др. (2020), Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks](https://arxiv.org/abs/2005.11401)
-   [Anthropic, снижение галлюцинаций (прямые цитаты и ссылки на источники)](https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations)
-   [Справочник BroadNet Inference API, ID моделей и контекст (на английском)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-glossary-grounding&utm_content=sources#models)
