coverage

本文识别了推理模型测试时缩放中的“模态上限”和“相关上限”，表明在数十个样本之后，额外采样不会提高选择准确性，甚至可能有害，突显了生成正确回答与识别正确回答之间的可识别性差距。

本文指出了无参考忠实性指标中的一个盲点：它们只衡量精确性（即声明是否得到支持），而不衡量召回率（即相关事实的覆盖程度）。作者引入了一种使用Formula 1遥测数据和天气数据的完整Oracle评估，表明高精确度模型往往覆盖不佳，并提出了一个组合指标。