一、文章主要内容总结本文针对现有大语言模型（LLM）评估多侧重通用能力、忽视跨领域事实准确性与知识校准的问题，提出了AA-Omniscience基准，用于衡量模型的事实召回能力和知识校准水平。基准设计核心：涵盖6个经济相关领域（商业、人文社科、健康、法律、软件工程、科学工程与数学）、42个细分主题，共6000道问题，源自权威学术和行业来源。采用全知指数（Omniscience Index）作为核心指标（范围-100至100），奖励正确答案、惩罚幻觉输出、鼓励不确定时弃权，0分代表正确与错误答案数量持平。辅助指标包括准确率、幻觉率（尝试回答但错误的比例）和运行成本，全面评估模型实用性。关键研究发现：仅3个前沿模型的全知指数得分高于0，Claude 4.1 Opus以4.8分位列第一，多数模型存在事实准确性和知识校准缺陷。模型性能具有显著领域差异性：Claude 4.1 Opus在法律、软件工程等领域领先，GPT-5.1擅长商业领域，Grok 4在健康和科学工程领域表现最佳。模型整体智能与事实可靠性无强相关性，大模型规模与幻觉率无必然联系，部分小模型（如NVIDIA Nemotron Nano 9B V2）展现出更优的知识校准能力。现有评估奖励“猜测”而非“弃权”的机制，是导致模型幻
一、文章主要内容总结本文针对现有大语言模型（LLM）评估多侧重通用能力、忽视跨领域事实准确性与知识校准的问题，提出了AA-Omniscience基准，用于衡量模型的事实召回能力和知识校准水平。基准设计核心：涵盖6个经济相关领域（商业、人文社科、健康、法律、软件工程、科学工程与数学）、42个细分主题，共6000道问题，源自权威学术和行业来源。采用全知指数（Omniscience Index）作为核心指标（范围-100至100），奖励正确答案、惩罚幻觉输出、鼓励不确定时弃权，0分代表正确与错误答案数量持平。辅助指标包括准确率、幻觉率（尝试回答但错误的比例）和运行成本，全面评估模型实用性。关键研究发现：仅3个前沿模型的全知指数得分高于0，Claude 4.1 Opus以4.8分位列第一，多数模型存在事实准确性和知识校准缺陷。模型性能具有显著领域差异性：Claude 4.1 Opus在法律、软件工程等领域领先，GPT-5.1擅长商业领域，Grok 4在健康和科学工程领域表现最佳。模型整体智能与事实可靠性无强相关性，大模型规模与幻觉率无必然联系，部分小模型（如NVIDIA Nemotron Nano 9B V2）展现出更优的知识校准能力。现有评估奖励“猜测”而非“弃权”的机制，是导致模型幻
