把「不知道」当成答案之后，评测结果好看多了

之前评测时，模型对所有问题都硬答，错的一半。我按对错统计，准确率五成。

改成允许它说「资料里没有」之后：

• 明确答对：45%
• 明确说不知道：40%
• 硬答且错：15%

看起来准确率没变，但可用性完全不同。说不知道的时候，用户会去查；硬答错的时候，用户被误导。

所以评测指标要分开算：答对率、弃答率、错答率。只看答对率会鼓励模型瞎猜。

这条改完之后，我在所有 prompt 里都加了「不确定就说不知道，不要编」。