共 1 篇相关文章
一项科学论断验证实验构建了2035条论断基准，比较混合检索、NLI基线与Llama 3.1、Qwen3、Mistral三个开源LLM。Qwen3的Macro-F1达0.7937领先，而保守的NLI+LLM融合规则反而使性能下降，错误分析显示分歧常导致正确的LLM预测被推翻。
