明天还会是真的吗？多语言常青问题分类以提高可信问答

大型语言模型（LLMs）在问答（QA）任务中经常出现幻觉现象。一个关键但尚未充分研究的因素是问题的时间属性——即问题是常青的（答案随时间保持稳定）还是可变的（答案随时间变化）。在这项工作中，我们引入了EverGreenQA，这是首个带有常青标签的多语言问答数据集，支持评估和训练。利用EverGreenQA，我们对12种现代大型语言模型进行了基准测试，以评估它们是否显式地（通过口头判断）或隐式地（通过不确定性信号）编码了问题的时间属性。此外，我们还训练了一个轻量级的多语言分类器EG-E5，在该任务上达到了当前最佳性能。最后，我们展示了常青分类在三个应用中的实际效用：改进自我知识估计、过滤问答数据集以及解释GPT-4o的检索行为。