一、引言：当搜索遇上大模型

过去两年，大模型的能力突飞猛进。从 GPT-4 到 Gemini，再到 Claude 3.5，我们见证了语言模型从“闭卷考试”走向“开卷答题”。它们不再仅依赖内部知识库，而是能实时访问网络、调用搜索引擎、引用网页内容，这就是所谓的“Search-Augmented Generation（SAG）”或“Retrieval-Augmented Generation（RAG）”。

在传统的封闭知识体系下，我们评测模型的方式很简单：题目固定、答案固定、人工或自动核对正误即可。但当模型可以调用搜索引擎时，它的答案就不再是一个静态的“对”或“错”。每天的新闻、政策更新、股票波动都会让同一问题出现不同答案。这种动态性，让评测工作充满了挑战，也充满了思考的乐趣。

我经常给新来的评测工程师举一个例子：今天问模型“为什么特斯拉股价上涨？”它可能回答“因为产能预期好转”；明天问同样的问题，它又可能说“因为宣布新车型”。两者都合理，却没有唯一标准答案。这个现象逼迫我们重新思考评测标准：我们评的到底是“正确性”，还是“合理性与可信度”？

当模型具备实时搜索能力后，它回答问题的方式发生了根本变化：
它不再“知道”答案，而是“去找”答案。

这种变化看似微妙，却彻底颠覆了我们过去的评测体系。传统评估依赖固定题库和标准答案，而“Search 模型”的输出，每一次都可能不同。它受时间、搜索源、排名算法乃至地理位置影响。于是一个看似简单的问题浮现出来：

当模型的答案是“实时生成”的，我们该如何评估它对不对？

这不是一个学术问题，而是评测团队每天都会遇到的实际难题。

二、从封闭知识到实时检索：评估体系的断层

在过去的封闭知识时代，我们习惯把评测做成一个闭环：模型答题、人工打分、生成统计结果。这种体系的好处是稳定、可复现，但它有一个致命弱点：静态知识。

当模型开始调用实时信息时，这个闭环被打破了。评测者面临三个明显问题：

1. 信息变化快
   新闻、财经、政策、社会舆情，每时每刻都在更新。昨天的答案，今天就可能过时。

2. 答案不唯一
   开放性问题，如“未来三天福建降雨趋势”，本身就没有标准答案。不同气象源可能给出略有差异的预报，评测指标需要从“事实正确率”转向“信息完整度、表达准确度、来源可信度”。

3. 引用追溯困难
   模型可能引用多个网页，但未提供清晰的引用链。即便输出中写着“根据路透社报道”，也可能是二次转载。人工无法快速复核，自动化评测几乎无法判断。

这种断层让我意识到：传统评测方法必须升级，否则无法衡量现代大模型的实际价值。

三、评测挑战：动态事实与无标准答案

我总结了在大模型 + Search 场景中，评测面临的三个核心难题：

（1）事实不稳定性
实时新闻、股市波动、政策发布每天变化。同一个问题，不同来源给出的答案可能完全不同。模型如何选择信息？评测如何判定正确？这是一个从未有过的挑战。

（2）无标准答案领域
市场预测、气象预报、社会舆论问题，往往没有唯一答案。我们必须接受“合理性”而非“正确性”成为评价核心。例如，问“未来三天福建降雨趋势”，答案必须基于可信气象数据，但不同模型给出的预测可能略有差异。

（3）引用透明性问题
模型引用来源模糊，会导致“引用幻觉”。这种问题不仅影响答案可信度，也让自动化评测困难重重。我们必须建立额外指标去判断引用的可靠性，而不仅仅是事实正确性。

四、评估体系的演进：从人工标注到裁判模型

早期评测团队完全依赖人工标注。流程很直观：

1. 构建覆盖新闻、财经、天气、百科等主题的问题集；
2. 模型调用搜索回答问题；
3. 人工核查答案的准确性和引用合理性；
4. 记录结果，用于对比或训练其他模型。

这种方式精准，但痛点明显：成本高、周期长、主观性强，而且无法应对实时变化。

于是，业界引入了裁判模型（Judge Model）。我们用更强、更客观的大模型来评判其他模型的回答。

典型流程如下：
问题Q + 模型回答A + 搜索结果R → 裁判模型 → 评分S

裁判模型的评测维度包括：

• 来源可信度：是否引用权威来源；
• 逻辑自洽性：回答是否前后矛盾；
• 语言中立性：是否存在夸张、情绪化表述。

裁判模型大幅提高了评测效率，但也带来偏差风险。如果裁判模型本身理解有误，评测结果也会被影响。

因此，混合评测体系成为主流：

• 第一层：裁判模型自动评分，快速筛查异常样本；
• 第二层：人工抽查边界样本，确保公正性与可信度。

五、核心指标设计：从正确率到可信度

在现代评测中，传统正确率指标已不再适用。我们建立了“四维指标体系”：

1. 时效性（Timeliness）
   回答是否反映最新事实，时间戳是否合理。

2. 来源可信度（Credibility）
   引用的内容是否来自权威机构或主流媒体，URL是否合法，域名可信。

3. 逻辑一致性（Coherence）
   内容是否前后自洽，无矛盾。可用语义一致性检测和裁判模型打分。

4. 表达准确度（Clarity）
   信息是否清晰、无歧义，结论是否明确。

通过这四个维度，我们能量化评测结果，而不只是单一打分。

六、案例分析：从新闻问答到金融预测

金融预测

“预测2025年第二季度中国新能源车销量趋势”，没有固定答案。评测重点为：

• 是否引用权威数据（中汽协、国家统计局）；
• 是否进行多因素分析（市场、政策、供需）；
• 是否避免无依据推测。

人工裁判与Judge模型一致率达到86.4%，验证了混合评测的可靠性。

六、未来方向：第三方模型测评与开放平台

为了评测更客观、透明，未来趋势是开放、第三方化。

• Stanford HELM框架提出多维度benchmark；
• OpenEval、Chatbot Arena引入人机共评机制；
• 国内部分机构（智源、澜舟、阿里通义）构建动态事实测评集。

未来可能出现“模型评测交易所”，由第三方平台统一采集问题、调用候选模型、执行Judge评测，并标准化公开结果。

七、人工复核的不可替代性

尽管自动化评测日趋成熟，但人工仍是最后防线。人工复核能识别“合理但虚假”的回答，感知模型表达中的偏见，并做更细腻判断。

我们建议：让人类裁判成为“质量监督者”，把精力集中在关键样本，而非重复性验证。

八、结语：让模型评测更像科学实验

大模型 + Search 的评测已不只是打分问题，而是一场科学实验。
你需要明确变量、控制输入、溯源输出、验证假设。

九、我们系统的效果展示：