先说结论：让模型自己决定要不要再检索一轮、套上查询改写加重排序、开思考模式——这三件事被吹了整整两年，这篇论文挨个照了一遍。三样里没有一样让模型更愿意说「我不知道」。其中两样，让它更敢编。
论文叫 DeclineCraft，10 月 20 号挂上 arXiv，编号 2610.28340，cs.CL 主分类，交叉到 cs.IR。三位作者，正文 38 页，28 幅图 12 张表，代码链接公开。图是真的多，翻到手酸。
它测的场景一句话说完：检索回来的文档不够，模型自己脑子里也没有，这时候它认不认得出「这题我答不了」。
题目围绕 Minecraft 在语料截止之后新增的功能造。看到这里想笑的人先忍住。这块设计反而是全篇最扎实的一处——作者针对「模型可能靠参数知识提前见过这些内容」做了审计，而且不止设一个语料截止时间，设了一组。后面发布的模型照样能塞进同一个框架里测。
一个 benchmark 能活过两个模型版本就算长寿。多数是发布即巅峰，半年后题目全被吃进预训练里。这组截止时间是给这东西续命的。这条我给分。
然后上数据。
单轮检索 CAR 显著上升 38 / 40 组合
迭代式 RAG CAR 显著下降 30 / 40 组合 (均值 46.4%)
查询改写 + 重排序 CAR 下降 12 / 12 模型
27 个模型，按「模型 × 是否开思考」拆成 40 种组合，指标分三个报：正确拒答率、可回答问题尝试率、答案准确率。拆法对。很多拒答研究只丢一个笼统的「拒答率」出来，该答不答和该不答不答混一锅，那种数字看不了。
第一行是唯一的好消息。它之所以是好消息，恰恰因为它笨。一次检索，检索完就闭嘴，不要多想。诚实度上去了。
第二行才是关键。
迭代式 RAG 的逻辑听上去无懈可击：模型自己判断现有上下文够不够，不够就再发起检索，最多两轮。这不就是「更聪明」吗？实测：40 种组合里 30 种正确拒答率显著下降，均值掉到 46.4%。
一半以上，它在该说「不知道」的地方开了口！
换来什么？
答案准确率：68.5% → 69.3%
0.8 个百分点。
用一半以上的诚实，换 0.8 个点的准确率。这笔账只有发布会 PPT 上才划算！
这个方向其实不难想。多给一次检索的机会，就等于多给一句「再找找总能找到点什么」的暗示。找回来的东西哪怕只沾点边，也够把它从「我答不了」推到「那我试试」。检索这个动作本身就是个承诺——我既然去查了，总得带点东西回来。
第三行更狠。稠密加稀疏的混合检索之上，再叠查询改写和重排序，12 个被测模型正确拒答率全下降，一个不剩！
我第一遍看这行以为是实现 bug，重读了一遍方法才反应过来不是。
管线越精致，模型越有底气。它看到的每一段文本都经过了打分和重排，都被证明「相关」。相关在它那儿约等于有据，有据约等于能答。相关性和充分性中间那条缝，管线越顺滑，越看不见。
再说规模。
参数总量与答案准确率的 Spearman 相关系数 +0.60，方向不意外，模型越大答得越准，老结论了。但正确拒答率跟参数规模没有显著关联，跟发布时间也没有。
一句话：钱能买到准确率，买不到诚实。这话不好听，数据就摆在那儿 😅
最后说思考模式，这是全篇我最想让人看的一段。
不提供检索，同一组权重，开思考：13 个模型里 8 个正确拒答率显著下降，平均降 14 个百分点。
降 14 个点不算新闻。新闻是失败形态变了。不开思考的时候，它答不出来会说「我的知识里没有这部分」；开了思考，它直接否认问题前提成立——「这个功能不存在」「你这个问法有问题」。
从「我不知道」变成「你问错了」。
这个转向比那 14 个百分点值得看多了。前一种错是能力边界，后一种错是把边界画到提问者头上。而且后一种错听起来更像人，更有说服力——更容易让人信。这才是我觉得它危险的地方。
思考模式加单轮检索这个组合，清单里没单列，正确拒答率是继续掉还是能被检索拉回来，我不敢替它下结论。这半句先别信我，等有复现的再说。
锐评评分卡：
这论文值不值得读？值得。这段时间里少见的、读完会让人对自己手上那套 RAG 管线起一点疑心的东西。
值不值得现在就改配置？别急。它是 benchmark，不是产品评测。46.4% 那个均值是在它自己构造的不可回答集上测出来的，换到你自己的业务脏数据上能掉多少，没人替你测。真要动，先干一件事：从线上日志里捞二十条「模型本来该说不知道」的 case，单轮检索跑一遍，迭代检索再跑一遍，自己数。
至于「agentic RAG 更聪明」这句话——它可能确实更聪明。这篇论文没否认。它只是提醒你，聪明和诚实在这套系统里不是同一个旋钮，而且很可能是反着拧的。