在人工智能模型评估领域，一个长期被忽视的盲点正浮出水面。HuggingFace社区热度论文《无参考忠实度度量盲点：当精确率掩盖了召回率》尖锐指出：当前主流自动评估体系仅聚焦于模型“说对多少”（精确率），却忽略了“说全没有”（覆盖度/召回率）。这一偏差导致沉默寡言的模型反而获得高分，而真正详实但略有错误的输出被不公平地打压。该发现不仅挑战了业界对模型“忠实度”的既有认知，更可能引发评估范式的重大调整。

研究团队构建了包含7253个决策实例、覆盖150场比赛的多语言（英语、西班牙语、葡萄牙语）基准，并基于两套完整Oracle领域——F1遥测确定性完整ground truth与NOAA天气预报——进行系统验证。结果触目惊心：在最精确的前沿模型中，其输出能覆盖的表述不足一半相关事实。换言之，这些模型虽然“字字有据”，但“说的太少”，在整体信息完整性上表现垫底。当引入覆盖度（召回率）后，系统排序发生显著变化；更为关键的是，即便显式要求模型“详尽回答”，也无法根本弥补这一覆盖度差距。

这一发现揭示了当前自动评估中“忠实度泡沫”的深层机制——单维精确率欺骗性指标。在传统评估中，模型若只回答“是的”或“不是”，因其所有陈述均被证据支持，可获得极高达忠实度分数。然而，这种“沉默式忠实”恰恰是评估体系失灵的表现。研究者将此现象类比为信息检索中的“答案欠采样问题”：模型在避免错误的同时，也放弃了提供完整信息的责任。

为解决这一困境，论文提出将忠实度（精确率）与覆盖度（召回率）合并为单一F1评分。同时，团队开发了无参考验证器，引导模型在保持高精确率的前提下提升覆盖度，实现精确率与召回率的协同提升。所涉及基准、标注、度量、基线及交互演示均已开源，可供社区复现与改进。

对AI开发者和评估者的建议十分明确：未来模型质量评估不能再依赖单一精确率维度。在关键决策场景中（如医疗诊断、法律咨询），信息覆盖度的重要性不亚于陈述精准度。具体而言，可采用基于F1的复合评估指标；设置“全或无”的信息完整性检查点；或采用对抗性格式评估，迫使模型在压力下仍能提供详尽事实。随着评估技术的发展，从“忠实”到“全面”的跨越，或将成为模型进化中的下一个关键跃迁。