模型抽取结果附原文位置，中文与表情混在一起时怎样校验偏移

模型返回引文位置 start=3,end=5，必须先问单位是什么。Python 字符串索引按 Unicode 码点，JavaScript 常见字符串接口使用 UTF-16 代码单元，文件读取又可能按 UTF-8 字节。同一对数字在中文与表情混排时，能指向完全不同的文本。

给区间一个完整合同

本文采用含头不含尾区间，原文为“甲😀乙丙”，要引用“乙丙”。按码点是 [2,4)，按 UTF-16 代码单元是 [3,5)，按 UTF-8 字节是 [7,13)。表情占一个码点、两个 UTF-16 单元和四个 UTF-8 字节，不能把三个长度都叫字符数。

证据记录除起止值外，还包含 unit、quote 和原文字节摘要。偏移是否为整数也需校验，布尔值不能借用 Python 的整数关系混入。开始不得小于零，结束不得超过对应单位长度，空区间是否允许由任务合同决定；本例的证据引文不允许为空。

切回原文是最直接的核对

码点区间直接切字符串；UTF-16 区间先在规定端序的字节表示上按双字节定位，再严格解码；UTF-8 区间在编码字节上切片后严格解码。若边界落在一个字符内部，解码应失败，不用替换字符把它勉强显示出来。最后统一比较取回文本是否逐字等于 quote。

附件三组合法坐标都应还原“乙丙”。错把码点坐标标成 UTF-8 的反例会落到错误边界，预期拒收。另一反例使用更新过的原文，即使同一范围碰巧还能切出目标词，也因为摘要不符而被隔离。证据必须绑定版本，不能脱离来源文本漂移。

重复引文不能靠第一次搜索修正

真实文档可能出现两次相同短语。只执行 find(quote) 会得到第一次出现的位置，无法证明模型原本引用的是哪一段。应该先验给定区间，再结合段落或文档标识判断语境；失败时留待重取证据，不自动移动到任意一个能匹配的位置。

对原文做换行归一或 Unicode 归一也会改变坐标。若项目确实需要归一，应保存归一版本及其摘要，并说明坐标建立在这个版本上。不要从网页抽取后的文本得到位置，再拿原始 HTML 字节去验证，两者不是同一个空间。

这份检查证明位置与引文一致，不能证明引文支持答案。比如原文是“不适用于续约客户”，位置完全正确，但答案声称适用，仍属语义错误。位置验收和证据支持判断要分别记录，合成样本也不能用来宣称某个模型的抽取准确率。

配套文件与依据

本文的合成输入和参考结果可下载独立样本 a012.json，离线检查器 a012.py与样本放在同一目录后运行。检查器不调用模型接口。 使用 Python 3.12 或兼容版本，将上述文件下载到同一目录，执行 python a012.py。

一手资料1；一手资料2；一手资料3。资料核对日期：2026-10-24。