本次查询：拒答率
中文解释：拒答率
常见场景：大模型安全测试 / 客服机器人 / AI助手的对话质量监控
一句话解释
拒答率是指在AI对话中，模型因为安全、知识边界或策略设定而拒绝回答用户问题的次数占总提问次数的比例。
为什么会被关注
随着大模型在客服、教育等场景的普及，用户在遇到模型拒绝回答时会产生挫败感。同时，如果模型过度拒绝，会掩盖其真实能力缺陷，因此平衡拒答与回答成为产品设计的核心挑战。
从安全角度看，拒答率过低意味着模型可能输出不当内容；过高则意味着模型过于保守，无法满足用户信息需求。监管部门和开发者都将拒答率作为衡量模型可信度的重要指标之一。
核心逻辑
模型会基于已设置的安全规则、知识库匹配度、置信度阈值等机制判断是否拒绝回答。当问题涉及敏感话题、超出知识范围或指令模糊时，模型会触发拒绝策略。
拒答率的计算通常采用测试集统计，包括随机输入预设的敏感问题、超纲问题以及正常问题，统计模型拒绝的比例。不同模型的安全基准测试会给出标准化拒答率参考值。
常见场景
在智能客服系统中，拒答率过高会导致用户投诉增加，因此产品经理会要求优化模型对常见问题的覆盖；而金融、医疗等合规要求高的场景，则倾向于维持较高的拒答率以规避法律风险。
在模型迭代测试阶段，测试工程师会分别评估拒答率与幻觉率，如果拒答率下降的同时幻觉率上升，则说明模型可能学会了乱回答，需要调整策略。
容易混淆的点
拒答率不同于幻觉率。幻觉率指模型生成虚假或错误信息，而拒答率指模型选择不回答。两者有时此消彼长，但并非线性关系。
拒答率也不同于召回率（信息检索指标）。召回率衡量相关内容的检索全面性，而拒答率是模型主动放弃回答的行为统计。注意不要将对话系统的“无法回答”率与拒答率混淆。