一句话定义：弃权回答（Abstention）指 AI 系统在检索不到依据、超出知识范围或置信度不足时，主动选择不给答案，而是明确说「我不确定」「没有相关资料」或转交人工，而不是硬凑一个看似合理的回答。
为什么模型默认不会弃权
大模型的训练目标是让下一段文字"看起来合理"，不是"确实为真"。它本质上是一台续写机器，遇到知识空白的区域，也会顺着语言惯性把句子补完。打个比方：一个实习生被问到某条冷门法规，最危险的不是说"我查不到"，而是凭印象编出一个条文号——语气越笃定，越容易骗过听的人。
要让它弃权，必须额外加一层判断，常见的触发信号有三类：
- 检索侧：知识库里没有高相关文档，或相似度得分低于设定阈值；
- 模型侧：输出概率分布很"平"（几个答案势均力敌）、同一问题多次采样答案互相矛盾、自评置信度偏低；
- 规则侧：问题落在高风险领域（医疗、法律、金额、合规），或干脆超出业务范围。
任一路径触发，就走弃权分支。所以弃权不是"模型性格谦虚"，而是一套工程机制。
为什么它比"答对"更考验设计
因为代价不对称。硬答造成的错误是显性的：用户当场发现不对，投诉、反馈、日志里全有记录，指标会亮红灯。弃权造成的错误是隐性的：用户没拿到答案，默默离开，什么数据都不留。于是在调阈值时，团队很容易被"看起来很高的准确率"牵着走，越调越敢答，最后系统变成一个自信的杠精。
换句话说，答对考验的是模型能力，弃权考验的是产品判断与工程取舍——你愿不愿意为一小部分"本可以蒙对"的问题，牺牲整体的作答率。
几个容易混淆的概念
| 概念 | 触发原因 | 与弃权的关系 |
|---|---|---|
| 幻觉 | 模型编造了不存在的事实 | 弃权是抑制幻觉的手段之一 |
| 安全拒答 | 内容违反政策，不该答 | 弃权是因为"答不准"，不是"不该答" |
| 澄清式追问 | 问题信息不足，反问补充 | 弃权的一种温和变体 |
| 兜底话术 | 固定文案，如"我没听懂" | 只是表现形式，背后未必有判断逻辑 |
对实际工作的意义
做系统的人，别只看准确率，要把弃权率、误弃率（本来答得对却弃权了）、用户后续行为放在一起看，并给弃权留出口：附上检索到的原文片段、说明缺什么信息、给出转人工入口。用产品的人则不妨记住一个经验法则——敢说"我不确定"的系统，通常比永远自信的系统更可信；当它斩钉截铁地讲一个小众事实时，值得多核对一次。具体阈值和话术怎么定，以各家产品的官方说明为准。