标签
本文表明，在对话式 RAG 基准测试中，使用不完整的相关性标注作为评估拒答的捷径，会系统性地扭曲评估结果：更强的检索器会产生更多仍包含答案的“虚假漏检”上下文，导致可回答性 AUROC 被严重低估。作者公开了代码、运行结果和标注，并建议依据基于内容的标注来评估拒答，而非依据标准答案文档是否出现。