答对几条，不等于真的会列清单：ListQA 专门测模型能否列全、少幻觉，并按层级组织事实。 https://arxiv.org/abs/2610.19165… · @vintcessun · TwKit

@vintcessun

答对几条，不等于真的会列清单：ListQA 专门测模型能否列全、少幻觉，并按层级组织事实。 https://arxiv.org/abs/2610.19165 基准含 9,045 道题，结果显示，给出来源页面后，成绩提升 34–65 个百分点；瓶颈更多是参数记忆里找不全，而非推理不够。适合检验多项事实检索，暂不能代表非英语场景：样本偏美国，评测也依赖 LLM 裁判。

曝光 81 · 评论 3 · 点赞 1 · 书签 0