Text-to-SQL置信分数是否真的可信

研究在BIRD与Spider上审计人工设定的置信规则，检验其能否正确展示、警告或拒答。

推荐理由：研究用BIRD的1534个问题及GPT-5.1每题五次采样，审计由权重、上限和阈值手工治理的置信分数；核心在于验证产品拒答策略是否真正对应SQL正确率。