简介

本文基于OpenAI最新论文，揭示了语言模型幻觉的根本原因：当前训练和评估机制奖励猜测而缺乏对不确定性的奖励。研究表明，幻觉源于预训练阶段的统计必然性、数据稀缺性和模型能力限制，以及后训练阶段评测系统对不确定性的惩罚。解决方案是改变评分规则，允许模型在不确定时选择"不知道"，并纠正了关于幻觉的五大常见误解，强调小型模型可能更易认识到自身局限性。

---

相信很多同学都遇到过——问大模型一个冷门知识，它会一本正经地给出完全错误的答案。

比如：

“Adam Tauman Kalai 生日是哪天？知道的话就按 DD-MM 的格式直接给出。”

OpenAI(2025a)三次回答分别是 03-07、15-06、01-01，没一次对。

这就是典型的 Hallucination（幻觉）——语言模型生成看起来合理，实则错误离谱。

论文地址：https://cdn.openai.com/pdf/d04913be-3f6f-4d2b-b283-ff432ef4aaa5/why-language-models-hallucinate.pdf

OpenAI 这篇论文首次系统揭示：语言模型出现幻觉的根本原因在于，当前标准的训练和评估程序更倾向于对猜测进行奖励，而缺乏对模型坦诚表达不确定性的奖励机制。

表1 提供了一些更复杂的幻觉示例：GPT-4o/DeepSeek/Llama

一、预训练阶段就埋下幻觉种子

Figure 2：GPT-4预训练模型（左）原本校准良好；RLHF后（右）明显过自信

1. 统计必然性

把生成问题等价到二分类“Is-It-Valid？”——只要分类器会犯错，生成就会出错（定理 1）。

图 1：Is-It-Valid二分类视角——生成错误⇔把"-“判成”+"

2. 数据稀缺性

训练语料里只出现一次的“冷知识”（singleton）注定会被模型记错，错误率 ≥ singleton 占比（定理 2）。

3. 模型表达能力不足

如果模型族本身就无法学到规律（如 trigram 数不对字母），幻觉率下限直接拉满（定理 3）。

阶段	核心发现	类比
预训练	就算训练数据100%正确，密度估计目标也会迫使模型生成错误	老师只教你对的，但期末要你把不会的也填满
后训练	二元评分（对1分/错0分）让模型不敢"交白卷"	选择题不会也得蒙，空着直接0分

二、后训练阶段“考试机制”强化幻觉

对10个主流评测做了元评测，发现清一色惩罚不确定性：

Table 2：主流评测清一色"惩罚"不确定性

Benchmark	评分方式	给IDK扣分吗？
MMLU-Pro	多选准确率	✅扣到0分
GPQA	多选准确率	✅扣到0分
SWE-bench	单测通过/不通过	✅扣到0分
WildBench	10分制人工rubric	⚠️IDK只得3-4分，不如"带幻觉但有用"的5-6分

三、解法：把"交白卷"变成可选项

呼吁不需要新benchmark，只要改评分规则：

1. 明示信心阈值

在prompt里直接写：

"只有在你置信度>t时才回答；答错扣t/(1-t)分，IDK得0分。"

2. 让"弃权"成为最优策略

当模型真实置信度<t时，**说"我不知道"**的期望得分最高，说谎反而吃亏。

四、总结

OpenAI 表示：我们希望本文中的统计学视角能够阐明幻觉的本质，并纠正一些常见的误解：

误解1：通过提高准确性可以消除幻觉，因为一个 100%准确的模型永远不会产生幻觉。

发现：准确性永远无法达到100%，因为无论模型规模如何，搜索和推理能力怎样，一些现实世界的问题本质上是无法回答的。

误解2：幻觉是不可避免的。

发现：幻觉并非不可避免，因为语言模型在不确定时可以选择不作答。

误解3：避免幻觉需要一定程度的智能，而这种智能只有通过更大的模型才能实现。

发现：小型模型可能更容易了解到自身的局限性。比方说，当被要求回答毛利语问题时，一个完全不懂毛利语的小型模型可以直接说“我不知道”，而一个懂一些毛利语的模型必须确定其置信度。正如论文中所讨论的，“校准”所需的计算量远小于实现回答准确性的计算量。

误解4：幻觉是现代语言模型中一种神秘的缺陷。

发现：我们已经理解了幻觉产生的统计学机制，以及它们在评估中获得奖励的原因。

误解5：要衡量幻觉，我们只需要一个好的幻觉评估方法。

发现：尽管已经提出了多种幻觉评估方法，但一个优秀的评估方法对于目前现有的数百种传统准确性指标几乎没有影响。这些传统指标往往惩罚表达谨慎、谦逊的回答，并奖励猜测行为。因此，所有主要的评估指标都需要重新设计，更好地鼓励模型在表达上体现出不确定性。

五、 AI大模型学习和面试资源

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓