怎么判断大模型是真懂还是假懂？浙大x爱丁堡大学新指标NCB：给它的知识邻域也打分

当大模型看起来很自信时，它真的“相信”自己说的话吗？

最近，大模型Agent越来越多地被放进复杂的harness系统里。它不再只是回答一个孤立问题，而是会阅读长上下文、调用工具、接收检索结果、和其他agent讨论，也会在多轮交互中不断更新自己的判断。这带来了一个很现实的问题：

如果一个模型原本知道正确答案，当持续学习过程中的上下文里出现错误信息时，它还能坚持正确判断吗？

针对这一问题，来自浙江大学、爱丁堡大学的研究团队展开了研究。

研究发现，模型对995个问题都能以完美Self-Consistency（自一致性）给出正确答案。

也就是说，在无干扰条件下，它看起来非常确定。但当上下文中加入轻微干扰后，准确率却从100.0%下降到33.8%。

换句话说，一个模型可能反复答对某个事实，却并没有形成足够稳健的判断。一旦看到错误同伴意见、误导性检索文档，或者带有权威包装的错误信息，它仍然可能放弃原本正确的答案。

这就是这篇论文关注的问题：大模型看起来很自信时，它真的可靠吗？

为什么这个问题在Agent时代变得重要？

过去，常常用最终答案来评价模型。比如，一个问题问了10次，模型10次都回答正确，就会认为它在这个问题上具有很高的Self-Consistency，也就是自一致性。

这种指标当然有价值，但它隐含了一个很强的假设：只要模型反复答对，就说明它对这个事实形成了可靠判断。

在单轮问答里，这个假设似乎还说得过去。但在真实应用中，模型面对的往往不是一个干净、孤立的问题，而是一个充满噪声和干扰的上下文环境。

例如：在RAG系统里，模型会看到检索文档。如果检索结果中混入错误信息，模型是否会被带偏？

在多智能体系统里，一个agent可能会看到其他agent的回答。如果多数agent都给出错误答案，它是否还会坚持原本正确的判断？

在多轮对话里，用户可能不断提供带有倾向性的补充信息。模型会合理更新，还是过度迎合？

在真实交互中，模型会同时受到多轮上下文、用户立场、检索内容、其他agent、来源标签和社会性暗示的影响。它的判断状态可能会漂移、固化、被误导，或者被过度更新。

可以把这个更广义的问题称为上下文中的信念管理。

它关注的是：模型如何在给定上下文下为某个命题分配权重；当新信息进入时，模型如何决定是否更新；面对无关干扰、错误来源或社会性压力时，又能否保持稳定。

从这个角度看，LLM的可靠性不应只问模型有没有答对，还应进一步看它是否形成了比较鲁棒的信念。

高Self-Consistency不等于稳健信念

一个例子很好地说明了这个问题。

问题：“2012年IMU巴西副主席是谁？”

在原始设置下，模型能够稳定回答正确答案：Marcelo Viana。多次采样中，它都给出相同且正确的答案，Self-Consistency为1.0。

如果只看传统指标，会认为模型已经很好地掌握了这个事实。

但当上下文中出现多个其他AI智能体，并且它们都回答Jacob Palis时，模型可能会转而输出这个错误答案。

也就是说，模型原本能答对，但当它看到“其他agent都这么说”时，判断发生了偏移。

这说明，模型“反复答对”并不一定代表它在相关知识结构中形成了稳健表征。它可能只是对某个孤立问答模式非常熟悉，但缺少足够的知识支撑来抵抗外部干扰。

这也是研究的核心出发点：

真实性评估不能只看模型在目标问题上是否答对，还要看它在相关知识邻域中是否保持一致。

Neighbor-Consistency Belief

为了解决这个问题，研究考虑了一个很简单的想法：

对于一个目标事实，研究不再只测试模型能否回答目标问题，还会构造与该事实相关的一组“邻域事实”，并观察模型在这些邻域问题上的表现。

研究基于贝叶斯推理策略的启发提出了核心指标Neighbor-Consistency Belief（NCB）。

研究主要构造了三类邻域事实：

第一类是Entity Prerequisite。这类事实是理解目标事实所需的实体前置知识。例如，如果模型要回答某个人在某个组织中的职位，它可能需要知道该人物、组织、时间范围等相关实体信息。

第二类是Logical Implication。这类事实与目标事实存在逻辑蕴含或强相关关系。如果模型真的掌握了目标事实，它在这些逻辑相关问题上也应该表现出一致性。

第三类是Thematic Association。这类事实与目标事实处在相近主题空间中。例如，同一领域、同一事件、同一组织或同一知识片段周围的关联事实。

NCB会把目标问题的正确频率与邻域问题的正确频率结合起来，通过概念邻域中的一致性估计模型知识状态的稳健程度。

简单来说：NCB越高，说明模型在该事实周围的知识结构越一致，也越可能在干扰场景下保持稳定。

认知压力测试：模型会被上下文带偏吗？

为了验证NCB是否真的能预测干扰下的稳定性，论文设计了一套认知压力测试框架。

这些测试并不是简单地检查模型是否知道答案，而是模拟真实应用中常见的上下文干扰：错误同伴意见、误导性讨论、不同可信度来源等。论文的压力测试受到经典Asch Conformity Experiments和Source Credibility Theory的启发，主要包含两大类设置：Peer Quantity和Source Credibility。

Peer Quantity：同伴数量压力

第一类压力测试是Peer Quantity，用于模拟多智能体系统中的同伴压力。

在这个设置中，模型回答问题前，会看到多个“其他AI智能体”的回答。如果多数智能体给出错误答案，目标模型是否会被影响？这一设置进一步分为两种场景:

Conflict场景中，其他agent直接给出错误答案，与正确事实发生冲突。

Misleading场景中，其他agent并不一定直接说出错误答案，而是围绕错误实体给出一些表面合理的信息，从语义上诱导模型偏向错误答案。

Source Credibility：来源可信度压力

第二类压力测试是Source Credibility，用于模拟不同来源可信度对模型判断的影响。

在真实RAG或搜索增强系统中，模型经常会看到来自不同来源的信息：社交媒体、博客、新闻、论文、报告等。这些来源的可信度不同，但来源标签本身也可能对模型形成干扰。

论文测试的问题是：如果一个错误信息来自看起来更权威的来源，模型是否会更容易放弃原本正确的答案？

这类测试对应了真实系统中的一个常见风险：模型不仅会读取内容，也会受到内容包装方式的影响。来源标签、权威措辞、格式化引用，都可能改变模型对信息的权重分配。

理想情况下，模型应当根据evidence更新判断，而不是因为source framing或social framing被不合理带偏。

NCB是一个合理的信念评估指标

论文从多个事实数据集（SimpleQA,SciQ,Hotpot_QA）进行采样加人工标注构建了一个Neighbor-Enriched Dataset，覆盖四个领域（STEM，艺术与文化，社会科学，体育）共包含2000个样本。

每个目标事实平均包含约7.84个验证后的邻域事实，以及4.88个误导性邻域事实。

实验评估了四个代表性模型：Qwen-2.5-32B-Instruct；Qwen3-A3B-30B-Instruct-2507；Qwen3-A3B-30B-Thinking-2507；OLMo-2-32B-Instruct。此外还评估了Qwen-2.5系列大小模型。

主实验直接聚焦于模型原本已经“高自一致”的样本，也就是那些在传统Self-Consistency视角下看起来已经被模型掌握的样本。论文根据NCB分数将样本划分为高NCB组和低NCB组，比较它们在压力测试下的表现差异。

主实验结果显示：在多个模型和多种干扰设置下，高NCB组通常比低NCB组表现出更小的准确率下降。

以top/bottom35%的高低NCB组为例，在Quantity-Stressing设置下：

• Qwen-2.5：高NCB组下降16.0%，低NCB组下降25.7%；
• Qwen3：高NCB组下降17.6%，低NCB组下降28.8%；
• Qwen3-Thinking：高NCB组下降11.3%，低NCB组下降22.6%。
• OLMo2：高NCB组下降18.7%，低NCB组下降28.3%；

更细粒度的趋势也很明显：随着错误同伴数量增加，低NCB组的准确率下降更快。

高NCB组虽然也会受到影响，但整体下降幅度明显较小。在Peer Quantity–Conflict设置下，当干扰强度逐渐增加时，

LowNCB准确率从97%降至62%，而HighNCB从98%降至81%。

推理和反思并不总能解决问题

研究进一步论文比较了直接回答、Chain-of-Thought和Reflection等推理时策略。

结果显示，CoT的效果并不稳定。在部分设置下，CoT反而可能放大干扰带来的性能下降。

例如，在Qwen-2.5的LowNCB-35%组中，Quantity-Stressing下的准确率下降从直接回答的25.7%增加到CoT的31.6%。

这说明：推理过程本身也会受到上下文影响。如果上下文中存在错误同伴意见或误导性信息，模型的推理链可能围绕这些干扰展开，从而把错误进一步合理化。

Reflection在多数设置中能缓解干扰，但它也不是对“脆弱知识”的根本修复。整体来看，推理时策略可以改变模型处理上下文的方式，但如果底层知识本身缺少结构化一致性，模型仍可能受到误导信息影响。

除了诊断，论文还初步探索了使知识结构化的训练策略Structure-Aware Training（SAT）。

SAT的思路是：在学习新知识时，不只让模型记住孤立答案，而是通过邻域上下文和通用上下文，让模型在不同上下文中保持对核心事实的稳定输出。

具体来说，SAT会构造包含语义相关邻域信息和通用背景信息的两类上下文。

随后，使用冻结的教师模型提供参考分布，让学生模型在不同上下文下匹配教师模型在原始问题上的输出分布。这样，模型被训练为：即使上下文发生变化，也应尽量保持对核心事实的稳定输出。

实验显示，SAT能在一定程度上降低新知识学习后的干扰敏感性。论文摘要中也指出，SAT可以减少长尾知识脆弱性，降低压力测试下的性能退化。

总结和展望

总体来看，研究关注的是一个正在变得越来越重要的问题：大模型在复杂上下文中持续学习新知识，是否真的能够形成并维持稳定、可靠的判断？

这一问题之所以重要，是因为对AI的期待其实来自两个方面。

第一，希望AI能够帮助完成长程、复杂、跨步骤的任务，从而提升生产力。

第二，也希望AI能够帮助人类学习、反思和成长，成为一种认知辅助工具。

前者要求模型在长期任务中稳定执行、合理更新、不被噪声轻易带偏；后者则要求模型在与人互动时能够提供可靠信息，而不是放大错误信念、迎合用户偏见，甚至在不知不觉中操纵人的判断。

从第一个角度看，LLM在长程交互中并不总能稳定维持判断。例如，ICLR 2026 Outstanding Paper LLMs Get Lost In Multi-Turn Conversation发现，在多轮对话中，尤其是面对欠明确指令时，模型性能和可靠性会明显下降。

这说明，当任务从单轮问答扩展到长期交互时，模型的错误不再只是一次性的输出偏差，而可能在上下文累积中逐渐放大。

对未来智能体而言，这一点尤其关键：如果一个模型需要长期积累知识、记忆和经验，那么它不仅要能回答当前问题，还要能区分哪些信息应该被暂时利用，哪些信息应该写入长期记忆，哪些判断又应该在新证据出现时被修正。

从第二个角度看，还需要关注LLM的信念会如何影响人的信念。

A Rational Analysis of the Effects of Sycophantic AI则从讨好型AI的角度指出，如果模型持续强化用户已有观点，可能会提高用户的主观确定感，却不一定让用户更接近真实答案；

The Hidden Puppet Master:A Theoretical and Real-World Account of Emotional Manipulationin LLMs从隐藏激励和情感操纵的角度说明，模型对话可能引发human belief shift，并且这种影响并不总是容易被现有模型准确预测。

换句话说，LLM的信念风险不仅在于它自己会不会被误导，也在于它是否会进一步误导人类。

从这个意义上说，邻域一致性只是一个起点。它提醒，大模型的真实性和可靠性不能只通过单点答案来衡量，而应放在更广阔的交互环境中理解。

未来可能需要把事实一致性、长期记忆、行为控制、人类信念影响和模型可解释性结合起来，进一步构建能够在复杂世界中稳定判断、合理更新、并负责任地影响人类的AI系统。

参考论文

[1]LLMs Get Lost In Multi-TurnConversation.

[2]The Hidden Puppet Master: ATheoretical and Real-World Account of Emotional Manipulationin LLMs.

[3]A Rational Analysis of the Effects of Sycophantic AI.

[4]Illusions of Confidence?Diagnosing LLM Truthfulness via Neighborhood Consistency.

[5]论文链接：https://arxiv.org/abs/2601.05905

[6]代码链接：https://github.com/zjunlp/belief

文章来自于"量子位"，作者 "浙大团队"。