模型答错题很少是因为不会说话，多半是证据不够还硬要开口。这篇的处方是一套纯提示词的自我盘问：先评估"要答对这题需要哪些信息"，再判断手里的证据够不够，不够就弃权。不训练、不改权重，十一行 prompt 之外全靠模型自己问自己。
- 主数字帖里都给了，补上统计口径：十三点一的错误承诺率降到八点九，相对降三成二，同时有回答的准确率还从 86.9% 涨到 89.7%。这套改善过了两道硬检验：精确单侧 Wilcoxon 符号秩检验 p=0.00049，一万次重采样的 bootstrap 区间不跨零（错误率降幅 [0.0272, 0.0595]，准确率增幅 [0.0177, 0.0418]）。十一个模型的差异全部同号——不是被一两个模型拉的平均。
- 没有多种子这回事，但协议是确定性的：选项顺序用一个固定种子做确定性平衡，模型响应全部缓存，同样的 817 题跑十一族模型。所以这些数字不怕抖，但也别当成"跑了 N 次取平均"的稳健性证据。
- 作者自己交代的第一条局限最要紧：置信度是从产生答案的同一个模型里问出来的，谈不上独立概率估计，阈值只是经验上的工作点。译文成一句白话——模型自报的"我撑得住"，和它真撑不撑得住，中间隔着校准这道坎。
- TruthfulQA 多选题的格式偏差，作者也认了：原话是"多选题评估无法代表开放式事实对话的全部属性"。NQ 短答案只作为次要的收敛证据，没有并入主检验。往部署场景推之前，这道缺口得先补上。
- 工程上这论文给得很大方：框架和配置在 GitHub（senolali/CoSQ），还发了 PyPI 包，三套 prompt 模板在附录 A 里逐字可查。另外作者是土耳其 Tarsus University 的单作者，受 TÜBİTAK 项目资助——从提出方法、写软件、跑实验到统计分析和成稿全是一人，这份完成度不多见。