CoBe：对话式反事实文本编辑基准

CoBe 是评估模型零样本对话式反事实文本编辑能力的基准，包含 2000 道覆盖医疗、科学与工程、商业和日常场景的问题。前沿模型平均得分仅 58.05%，且常退化为关联式生成，而非保留原场景的因果结构。性能不随模型规模或输出 token 长度稳定提升，研究者认为该失败可能源于训练目标而非模型容量不足。