待验证50% 置信基准精确时间
采用保守融合规则（仅当NLI和LLM判断一致时才输出Support或Contradict，否则输出Not Enough Evidence）后，Macro-F1分别降至0.7392（Qwen3）、0.6730（Llama 3.1）和0.5991（Mistral），均低于各自单独使用的成绩。
1
来源数
50%
置信度
长期有效
时效性
2026/11/3
首次发现
来源
混合检索+NLI+开源LLM做科学论断验证，融合规则为何反而掉分？
rss2026/11/2
涉及实体
相关事实
待验证在300段由Qwen3-32B标注的练习考卷上，微调v3的Laya相比零样本版将11个问题的判断macro-F1从0.33提升到0.57，校准误差从0.15降至0.07，危险等级MAE从2.78降至1.56。75% 相似待验证在科学论断验证基准上，Qwen3 8B取得最高的Macro-F1（0.7937），Llama 3.1 8B为0.7204，Mistral 7B为0.6388，NLI基线（DeBERTa-v3-base-mnli-fever-anli）只有0.3157。73% 相似待验证因素识别模块的Macro F1仅为0.5562，明显低于风险评估和证据溯源两个任务68% 相似待验证第一轮测试（23 个合成用例 × 3 次运行）中，qwen2.5:1.5b 的正确判断率只有 30%，qwen2.5:7b 只有 46%，两者均不及格；qwen2.5:7b 有 14% 的情况错误地判断为“已覆盖”。67% 相似待验证在 BioPhys-Bridge 评测中，Qwen3.7-Max 的证据ID F1分数为 0.31666% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1130818API
curl https://kongchang.com/api/v1/knowledge/claims/1130818MCP
get_claim(id=1130818)