在一项由 Reddit 社区用户完成的测试中，六款开源模型面对30个虚构实体问题，最佳模型有21题明确回答“未知”，最差模型只有1题。这不是正式基准，却把一个常被忽略的问题摆到台面：拒绝编造，可能比综合跑分更接近企业可用性。

这是什么

测试使用30个并不存在的小说、城镇和大学，再加入6个真实问题作为对照。模型被要求在结尾输出“Exact Answer”字段；若无法确认，就回答“UNKNOWN”（未知）。最终成绩不是按答案正确率计算，而是统计模型在虚假问题上有多少次诚实拒答。

结果显示，Qwen3.8-Flash-Next 与基于 Gemma4 的 Orion-26B-A4B-v1.1 均答对21题；Qwen3.6-35B-A3B 为16题，Qwen3.8-27B 为11题，其微调版本仅8题，Qwen3.6-Huihui-Abliterated 则只有1题。也就是说，表现最好的模型有七成机会承认“不确定”，最差模型几乎会对虚构信息持续作答。

行业怎么看

我们认为，这项测试的价值不在于给模型排出一张权威榜单，而在于它触及了大模型进入业务流程时的一笔隐性成本：幻觉（模型生成看似可信、实际错误的信息）。用于内部知识检索、合同审阅或客服辅助时，模型“不知道”通常比给出一个带年份和人口数字的假答案更安全。

风险也很清楚。测试只有30道题、6个对照题，且全部依赖贪心解码（模型每次选择概率最高的答案）和特定提示格式；样本量、问题类型与量化版本都可能影响排名。更重要的是，拒答率高不等于知识更丰富，它也可能意味着模型覆盖不足或过度保守。社区结果可以提示风险，不能替代针对业务数据、提示模板和真实用户的系统评测。

对普通人的影响

对企业 IT：采购模型时，除了比较价格、速度和公开榜单，还应加入“虚构实体”“过期信息”和“无来源问题”测试，记录拒答率与编造率，并保留人工复核与来源追踪。

对个人职场：让模型处理资料检索时，要求它给出处、区分已知与推测，并把“不知道”作为有效回答；关键结论仍需回到原始文件核对。

对消费市场：能承认不知道的智能助手未必更会聊天，却可能更适合旅行规划、教育辅导和购物咨询，因为错误地址、机构或政策一旦被当成事实，纠错成本最终会转嫁给用户。