本文聚焦于具备工具调用能力的 LLM 助手在回答问题时的搜索决策。模型需要在仅凭内部记忆作答和主动调用网络搜索之间权衡：不必要的搜索会增加时延和成本，遗漏搜索则可能导致自信却缺乏依据的答案。为此，作者构建了一个包含 400 道多项选择题的基准，其中既有广为人知的内部知识（IK）题目，理应直接回答，也有外部知识（OK）题目，涉及模型训练截止后发布的新闻事实，理应触发搜索或在没有工具时选择弃答。每道题提供“弃答”选项，并引入两项动作层面评分：NAS（搜索奖励）和 KIS（抑制错误搜索），分别奖励在 OK 题目上搜索并惩罚在 IK 题目上搜索。实验评估了五款商业 LLM（含或不含厂商提供的网页搜索）以及 GPT‑5 mini 与 Grok‑4 Fast。结果显示，前两款模型在超过 90% 的 OK 题目上会搜索，但在 IK 题目上搜索率仅约 1%；而 Mistral Small 只在约 20% 的 OK 题目上搜索，且更倾向于直接弃答而非使用工具；还有一款产品的搜索指示器几乎不可用。进一步分析发现，显式的时间线索会显著提升搜索触发率：在未提供时间线索的 OK 题目上，两款选择性模型的 NAS 从约 0.72 降至 0.57‑0.58。由此可见，这些评分衡量的是具体产品的搜索触发行为，而非严格意义上的元认知能力。\n\n点评：该工作提供了可量化的搜索触发基准，揭示了主流 LLM 在内部与外部知识切换上的行为差异，为后续的自适应检索策略设计提供了实证参考。