当AI生成内容的忠实度（faithfulness）评测只盯着“说对多少”时，一个尴尬的悖论浮现：模型越沉默、信息量越少，得分反而越高。来自社区的一项热门论文戳破这一泡沫——传统无参考忠实度度量仅衡量精确率（陈述是否被支持），全然无视覆盖度（是否说全了事实）。这就像一个批改作文的老师，只看学生没有写错字，却不管他写了多少字，甚至交了白卷也能拿满分。

研究团队设计了两组具备确定性完整Oracle（即绝对正确的事实全集）的实验环境：F1遥测数据和多源NOAA天气预报。他们构建了一个覆盖英语、西班牙语、葡萄牙语共7253个决策实例（横跨150场比赛）的基准。结果令人震惊：当前最精确的前沿模型，在忠实度精确率上表现优异，但仅覆盖不到一半相关事实，按F1（精确率与召回率的调和平均）排名反而垫底。这意味着，这些模型擅长回避风险——宁可不说或少说，也不冒险给出任何可能被判定为“不忠实”的内容。

引入覆盖度（即召回率）后，整个系统排序发生显著翻转。即便在提示词中显式要求模型详尽回答，也无法弥补精确率与召回率之间的鸿沟。这一发现指向评估体系的结构性盲区：业界长期依赖的忠实度指标，本质上奖励信息剽窃式输出，而非信息充分的回答。与机器翻译中BLEU同时考虑n-gram精确率和召回率的经典做法不同，大语言模型的事实性评估走入了精确率独大的歧途。

研究者的解决方案是将忠实度与覆盖度合并为一个单一分数，并提出一种无参考验证器引导生成方法，能在解码阶段同时提升精确率和召回率。相关基准、标注、度量、基线及交互式演示已开源，可供社区直接复现或迁移至其他评测场景。这一工作不仅为AI评测方法论补上了覆盖度这一关键环节，也揭示了现有自动化评估工具可能误导研发方向的现实——如果指标本身就不完整，模型优化只会南辕北辙。

对AI从业者而言，实用建议有三：第一，评估生成质量时，必须同时考察精确率与召回率，类似F1的复合指标应成为标配；第二，关注该研究开源的验证器，其在引导生成平衡信息量与事实性方面展示了可落地的潜力；第三，不要迷信单一高分的“忠实度”排行榜，排名背后可能隐藏着信息缺失的代价。长期趋势看，未来AI评测会从“不说错”转向“说全说对”的双重标准，覆盖度将像今天的准确性一样被纳入核心考核维度。当沉默不再是金，AI才能真正摆脱信息洁癖，进化成可靠的协作伙伴。