待验证50% 置信事实精确时间

三个被测模型中只有 Qwen2.5-3B 能在证据不支持答案时可靠地拒绝回答

1

来源数

50%

置信度

长期有效

时效性

2026/10/11

首次发现

来源

EvidenceFlip基准测试：大模型知道何时该拒绝回答吗？

涉及实体

Qwen2.5-3B-Instructmodel EvidenceFlipproduct

相关事实

待验证Qwen3-1.7B的整体因果忠实度只有54.8%，远低于Qwen3-4B75% 相似待验证该测试为单一来源的个人测试，模型型号被标注为Qwen 3.8 27B存在命名歧义，实际配置、量化方式、生成耗时等细节均未披露，可复现性有待验证72% 相似待验证作者提到此前测试的35B、3B等其他模型在看板任务上的表现反而不如Qwen3 27B的Q2版本70% 相似已验证Qwen3-4B在多项推理类评测指标上已与DeepSeek V3或GPT-4o相差无几68% 相似待验证作者让Qwen对生成结果进行审核，并设置最多3次重试，若三次均不达标则返回最匹配的版本67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/999245

API

curl https://kongchang.com/api/v1/knowledge/claims/999245

MCP

get_claim(id=999245)