你的AI到底靠不靠谱？港大最新测评：GPT-5拔得头筹，国产模型中豆包意外领跑

大语言模型幻觉控制能力排行榜，图源AIEL

✨ 顶级模型：谁站上第一梯队？

▫️GPT-5（思考模式和自动模式）包揽冠亚军，说明OpenAI在幻觉控制维度的领先优势；

▫️Claude 4 Opus系列紧随其后，位列第三、四名；

▫️Grok 4 模型也表现不错，稳居前五。

💚 国产模型：谁在领跑？

▫️字节跳动的豆包1.5 Pro系列表现最佳，拿到第7和第8，领跑国产大模型；

▫️其他国产模型，如文心一言、通义千问、Kimi、DeepSeek、混元等在整体排名居中或靠后。

▫️报告指出：尽管豆包领先，但国产模型与国际顶级水平仍有差距。并且，所有模型现阶段最普遍的问题，依然是——“编造事实”🤯

AI幻觉为何会产生？

🤔那么，到底什么是AI幻觉？

两种幻觉类型，图源AIEL

报告把幻觉分为两类：

▫️一类是事实性幻觉，指模型输出与客观事实不符，比如提供错误信息、虚构不存在的内容等等；

部分测试题目示例，图源AIEL

⚠️ 为什么幻觉控制很重要？

由于AI“瞎编”的毛病太常见，要是把它的答案直接往金融、法律、医学、研究等领域生搬硬套，麻烦肯定少不了。

再者AI 产出的虚假内容会进一步污染信息源，形成“垃圾进，垃圾出”（Garbage In, Garbage Out）的恶性循环。

将幻觉控制在合理范围内，堪称大模型可信度的基石和底线。

新华社报道AI造假已经真实的影响到人们的工作与生活，图源澎湃新闻

一个有趣发现：所有参评模型都是“指令达人”，却不算“求真高手”。所以你的指令得详细且准确，并且要学会合理追问AI。

好消息是：不少模型切换到“思考模式”后，准确性比“自动模式”强不少。建议大家以后多尝试“思考模式”～

另外注意：不同模型控幻觉的水平天差地别。若你需要更稳妥的答案，记得优先选择排名靠前的模型。

最后，当面对AI给出的答案时，我们要保有怀疑态度和批判思维，尽可能验证信源。毕竟AI不是万能的，古人也说了：“尽信书不如无书”，这句话套用到今天则是“尽信AI不如无AI”。

对于AI的认知应更务实，它是一个强大的工具但可能给出有偏见、不准确的输出，图源AI For Everyone

🐳 关于DeepSeek的挽尊

补充一细节，报告仅测试了DS的V3和R1两个版本，结果显示V3在幻觉控制方面更具优势。

但测评结论并非对DS的全面差评——因为DS在编程、数学等领域依然表现出色，只是测评主题不涉及这些维度而已。

最后，你在使用AI工具的过程中是否遇到“一本正经地胡说八道”？

欢迎在评论区分享你的经历或看法💬

END

本篇文章来源于微信公众号: 简闻趣记