知识的代价：超越静态排行榜的资源感知幻觉基准协议

在标准事实性任务上，前沿模型如今已聚集在量表顶端附近。因此，问题正从一个系统有多事实准确，转向这种事实性要花费多少算力。静态排行榜孤立地为事实性打分并把算力当作免费，因此无法把真正更好的系统与只是花费更多的系统区分开来。试想一次排名反转。一个暴力Best-of-4智能体取得了更高的原始事实性得分（H-Score 0.9169对0.9103），会登上静态榜首，但一旦计入成本，它就是更差的系统：在大约四倍的token与延迟下，Q-Score落败（0.5169对0.5217），且结论在我们对报告成本权重所做的敏感性扫描下保持。因此，登上静态排行榜榜首的系统可能反而是部署上更差的那个。为使这一权衡可见，我们提出MAS-HQ（Multi-Agent System Hallucination Quest），一个资源感知的评估协议。它可包装任意事实性检测器并对成本归一化，且让系统彼此对抗而非孤立打分。Q-Score在竞争性对局下度量“事实性减去归一化成本”。在摘要与开放域QA任务上，单智能体基线漂移向重资源的过度优化，而竞争则诱导出更节省资源的策略。这些收益小而一致，并在100次试验中保持稳定。对于原始事实性得分已挤在天花板附近的前沿系统（Gemini-2.5-Pro与GPT-5），该轴仍保持区分度。MAS-HQ提供了一种可复现的方法，用以度量一个事实准确的答案要花多少钱。