Omniscience（全知度）是社区用来衡量大模型知识广度与事实可靠性的一个评价维度，通常与 Artificial Analysis 等第三方基准中的幻觉率、知识覆盖面指标一起被讨论。它的核心问题很直观：一个模型是真正“什么都懂”，还是靠编造答案假装全知。近期的多份评测显示，模型的智能排名和 Omniscience 相关表现并不同步，一些高分模型反而牺牲了知识面。
Omniscience 相关评测近期进展
当前焦点与观察点
目前围绕 Omniscience 的争议集中在两点。其一是权衡问题：幻觉率低是否必然意味着知识面收窄？DeepSeek V4.1-Flash-1017 与 Qwen3.8-27B 的对比给出了不同答案，说明后训练策略可能是决定性因素，而非能力上限。
其二是评测方法论。Artificial Analysis 近期推出 Decision Index v1.0（首个决策模型基准），叠加 OpenAI Web Search 以 74 分登上搜索榜第 5，业界正从单一智能指数转向多维度评估，知识广度与事实可靠性有望获得更标准化的量化口径。对使用者而言，观察点在于：下一代模型能否在智能排名领先的同时，让幻觉率与知识面同时进步，而非二选一。