模型知识截止探针集实测：120 道时效题，只有一半模型承认自己「不知道」
120 道答案全部落在训练截止日之后的时效题，测出六款主流模型的真实知识边界：平均约五成承认不知道，三成自信答错，还有 11.1% 把 2024 年旧闻当新闻讲。越热门的话题错得越自信，中文模型的时差表现也明显不同。
大模型评测
SFT 不是万能药：一份来自 60 条轨迹的微调可预测性账，幻觉率反而涨了 6.3%
大家以为微调能解决一切，但60条轨迹的对照实验显示，微调后任务成功率提升14.2%、越界请求下降31%，幻觉率却反向上升6.3%。本文拆开这笔账，给出什么场景该微调、什么场景该用提示工程，以及一套可复用的评测基线。