评测里最容易被忽略的一类：拒答与澄清

拒答与澄清也是正确输出。本文给出四类输出与两个误导率（该拒答却作答、该作答却拒答）、样本构造方法、两种失败模式、判据写法与落地顺序。

拒答与澄清也是"正确的输出"

评测里最常见的偏差是：**只统计"答对率"** ✗，把"该拒答却答了"和"该澄清却硬答"都算成错误的一部分 ✗，

于是团队会朝"少拒答"优化 ✗ —— 这会把系统推向更爱编 ✗。

正确的做法是把输出分成四类，分别统计 ✔：

1. **正确作答**（有依据、内容对）；

2. **正确拒答**（资料不足，明确说"没有找到"）；

3. **正确澄清**（问题模糊，先问关键限定）；

4. **错误作答 / 错误拒答 / 该澄清却硬答**。

**关键指标**是两个"误导率" ✔：

**该拒答却作答率**（资料不足却给了像样的答案 —— 最危险 ❗）；

**该作答却拒答率**（明明有资料却说不知道 —— 用户会觉得没用 ❗）。

**该拒答类**：问题涉及资料里**确实没有**的内容（不要问"无关话题"，要问"相关但未覆盖" ✔）；

**该澄清类**：问题缺少关键限定（时间、范围、对象），看它是否询问而不是假设 ✗；

**该作答类**：资料里明确有答案（用来测**过度拒答** ✗）。

每类 20~30 条就能看出趋势 ✔。

**过度拒答**：保守的提示词 + 高阈值检索 → 什么都说"未找到" ✗ → 用户流失 ✔；

**伪装拒答**：说"根据资料无法确定"，但紧接着给了一段编造内容 ✗ → 这是最坏的一类 ✗，

评测必须**检查拒答之后有没有继续断言** ✔。

```

正确拒答 = 明确说明资料不足 + 不给出未支持的结论 + 给出可行的下一步（可选）

正确澄清 = 提出 1~2 个关键限定问题，且不预设答案

```

**没有把"拒答/澄清"单列出来的评测集，会系统性高估系统能力** ✗。

界面要把"未找到"做成**正常状态**（不是错误 ✗），并给出替代路径（换关键词、放宽范围）；

但也不能鼓励一问就拒答 ✗ → 用**过度拒答率**做护栏 ✔；

两个指标一起看，才能把系统调到"该说的敢说、不该说的不编" ✔。

1. 先给现有评测集**补标注**（每条标"应为哪一类"）；

2. 加两个误导率指标；

3. 把"拒答类/澄清类"样本加进流水线（见评测接进 CI 那篇 ✔）。