研究拆解 LLM 网络威胁情报实体抽取失败模式：主要问题不是幻觉

一项预注册的冻结评估测试了 DeepSeek-V4-Flash、GLM-5.3-Flash 和 GPT-6.1-Sol 在 354 起安全事件报告（630 次模型-报告评估）上的实体抽取表现。micro precision 仅为 0.03-0.34，且旗舰级模型的差距并未缩小。对 360 个样本的三级标注显示 65.6% 是背景提及、19.9% 是 gold 范围缺口，真正无依据的候选只有 1.2%。零成本的自一致性频率分层在全部六个测试单元通过了 top-30% 精度提升门槛，但 45 个目标的反事实实验中，95.6-100% 的高置信判断会被一句错误归因句子翻转。