实测六层 LLM 可靠性层：能排序答案却几乎不能纠错

两位作者在 CADEC 不良反应标注语料上端到端实测词表校验、自我纠错、投票、二模型评审、拒绝放行与人工复核六层 LLM 可靠性机制，结论是各层只能按可信度排序和扣留答案，几乎不修正错误，且检测上限封死了整体收益。 文中还报告：识别优于生成，温零下四款模型输出逐字节一致，gpt-oss:20b 存在跨次波动。作者总结出六条可迁移实践，并开源了 stagecheck 等检查工具。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。