在人工智能的讨论中，“幻觉”一直是最受关注的问题之一。所谓幻觉，是指AI给出的回答听起来合情合理，但实际上完全错误。现行的大多数AI基准测试采用二元评分方式：答对得分，答错或说“不知道”都不得分。结果就是，如果模型选择承认不确定，它的表现看起来更差；相反，哪怕它编造答案，只要碰巧答对，就会被当作“更好”。这种机制无形中“奖励”了自信的胡编乱造，却让诚实吃亏。
▲概念图 据图虫创意
原因
“语言模型被优化为擅长应试，
进行猜测会提高考试表现”
上周，ChatGPT的研发公司OpenAI发布了一项名为《语言模型产生幻觉的原因》的研究，首次系统地指出幻觉并非偶然，而是源于模型本身的结构性机制。研究进一步强调，问题的根源在于评估体系：它的机制就是在奖励猜测，从而助长了幻觉的滋生。
研究解释说，当“我不知道”只能得零分，而一个貌似合理的猜测却有机会得到满分时，模型的最优策略就变成了尽量去猜。这些模型并不是被刻意编程去撒谎，而是因为“虚张声势”会在现有机制下获得更高的分数。正如OpenAI所说：“幻觉之所以持续存在，是因为大多数评估的打分方式。语言模型被优化为擅长应试，而在不确定时进行猜测会提高考试表现。”
▲学生考试（创意图片，据图虫创意）
这就像学校考试。如果你不知道答案，大概也会蒙一把，希望碰巧答对。这正是大型语言模型（LLMs）被训练去做的事情。它们始终处于“考试模式”：沉默会被惩罚，而猜测则显得聪明。OpenAI的研究人员总结说：“人类是在生活的磨练中学会了表达不确定性的价值，而语言模型却主要通过那些惩罚不确定性的考试来接受评估。”换句话说，奶茶视频APP一直在把AI训练成“永远的应试者”，它们被优化的目标是考试成绩，而不是可信度。
修正
调整评估标准
不能“不回答就惩罚”
OpenAI还公布了其模型的基准测试结果。最新的推理模型GPT-5 Thinking Mini的准确率为22%，略低于上一代o4-Mini模型的24%。不过，GPT-5 的弃答率（即回答“我不知道”）达到52%，错误率为26%；相比之下，o4-Mini的弃答率仅为1%，但错误率却高达75%。o4-Mini更频繁的猜测行为同时增加了正确和错误的回答。研究人员指出：“大多数评分体系按照准确率对模型进行排名，但错误比弃答的后果更严重。”
针对这一问题，OpenAI提出的解决方案不是从头重建模型，而是调整评估标准。研究人员认为，“根本性的问题在于，大量评估方法之间缺乏一致性。现有的主要评估方式必须进行调整，避免在模型不确定时惩罚其选择不作答”。该公司在另一篇文章中补充说：“那些广泛使用的、基于准确率的评估需要更新，它们的评分方式必须阻止模型去猜。如果常用的评测体系继续奖励侥幸的猜测，模型最终就会越来越依赖这种策略。”
这是一个细微却关键的转变。多年来，行业一直在竞相让聊天机器人更快、更聪明、更流畅，但这些特质并不等于值得信赖。真正的挑战在于，如何打造能够在知识与谦逊之间找到平衡的系统。通过调整评估方式，OpenAI希望训练出更少依赖“装懂混过去”的模型，而是能够给出更稳健、可信回应的模型。毕竟，当用户向AI寻求医疗建议或理财指导时，最不希望的就是听到一个听起来无比自信却完全虚构的答案。而在一个常被指责为“过度炒作”和“半真半假”的行业里，这种对减少虚张声势的呼吁，或许才是迄今为止最激进的想法。
红星新闻记者 王雅林 实习记者 杨诗柔
编辑 邓旆光