BILAL-BENCH 评测显示开源大模型在孟加拉语伊斯兰经文生成中幻觉率极高且无规模效应

论文发布 BILAL-BENCH，一个包含 240 个专家验证问题的开放域基准，用于评估开源模型在孟加拉语中伪造《古兰经》经文或圣训的行为。测试覆盖七款参数量从 1B 到 120B 的开源权重模型，共收集 1,680 条双重标注回复。结果显示，六款模型在涉及源生成的问题上以 79.3% 至 95.3% 的高置信度进行虚构，且模型性能未随参数量增加呈现单调改善。

具体数据表明，各模型在圣训溯源（Hadith provenance）类别表现最弱，315 条回复中仅有两条既正确又准确引用了来源。此外，不同模型在“无法支持时是否拒绝回答”这一行为上差异巨大，适当拒绝或纠正错误前提的数量在 6 到 46 条之间波动，这种拒绝行为并不与参数规模挂钩。尽管两款 8B 参数的 BanglaLLaMA 变体具有相似的自信虚构率，但其错误分布模式存在显著差异。

事实层面，该研究证实了当前主流开源模型在处理特定文化宗教敏感内容时存在严重的幻觉风险，且单纯堆叠算力或参数无法解决此类对齐问题。推断层面，这意味着在面向穆斯林市场的本地化应用中，直接使用通用开源模型可能带来不可接受的社会风险，必须引入针对性的微调或约束机制。猜测层面，未来针对特定宗教文化的基准测试可能会成为模型发布的强制合规项，而非可选的学术补充。