李彥宏點名批評DeepSeek幻覺高。這回，他真的沒錯。但大模型的幻覺問題，又遠非錯與對那麼簡單。

DeepSeek-R1作爲今年年初的新晉國產開源大模型，以強大的推理能力和更懂國人的文筆，在蘋果美區App免費下載排行榜上力壓ChatGPT一頭，甚至一度成爲“AI”的代言詞。

然而，自從R1席捲全網後，關於它經常“胡說八道”的批評就不絕於耳，比如它實在太能編了，讓人真真假假分不清。

除了用戶端之外，李彥宏及其代表的大廠們也“苦”DeepSeek已久：一方面，大廠不得不依賴DeepSeek的潑天流量導入自身門戶入口；另一方面，儘管投入大量人力物力研發深度推理模型，其成果卻難以突破用戶心智。

在2025百度AI開發者大會的開幕上，李彥宏直接點出全民AI大模型 DeepSeek-R1 的痛點：“只支持單一模態、幻覺率較高、又慢又貴”。一番犀利評論，再度引發了各界對DeepSeek-R1以及大模型“幻覺”的評議。

但出現強烈幻覺的並不止DeepSeek一家，OpenAI在其內部測試中發現：o3/o4-mini雖然全面替換了o1系列，但是幻覺現象越來越強了；國內第一個混合推理模型——阿里通義的Qwen3也在X上被網友指出幻覺現象仍舊大量存在。

關於幻覺的解釋有很多，尤其是當推理模型問世後,大家都認爲推理模型的思考模式和模型性能攀升後，幻覺就會被消滅，但事實證明：幻覺的生存能力太強了，用戶們還是常常被“LLM生編硬造，邏輯閉環的幻覺操作”看呆。

不過，另有一說：大模型的幻覺也算是創作力的副產品，並不完全是桎梏。

今天我們重新講講大模型幻覺，看看AI圈子最大的黑箱問題到底解決了沒有，解決進度到哪了？

01

李彥宏對DeepSeek-R1的批評確實有據可循。

AI數據服務公司Vectara的一項HHEM幻覺評估中，DeepSeek-R1的幻覺率高達14.3%，而其前代基礎模型DeepSeek-V3僅爲3.9%，R1的幻覺甚至要比V3的幻覺高出4倍。阿里通義的QwQ-32B-Preview的幻覺率則高達16.1%。

更值得注意的是，除了DeepSeek-R1和Qwen系列之外，縱觀業內，幾乎所有最先進的大模型都遭到了幻覺問題的挑戰。一般來說，當新模型出現，幻覺程度就會低於其前身模型，但是這一常理性的現象並不在推理模型上適用。

OpenAI的內部評估系統卡里提供了一個具有代表性的例子：他們設計了一項名爲PersonQA的基準測試，用於衡量模型回答人物信息問題的準確性。結果發現，o3在PersonQA上的幻覺率上升到了33%，幾乎是被全面替代的前代模型o1（16%）的兩倍。輕量版推理模型o4-mini的幻覺率高達48%。

在最新出爐的一版Vectara的幻覺測試中，馬斯克 xAI的Grok-3比Grok-2幻覺更嚴重，谷歌Gemini 2.0系列中強調深度推理的Flash-Thinking版本比標準版幻覺問題更突出。

當業界追求更強推理能力的大語言模型時，事實準確性與生成內容一致性幾乎無法“魚與熊掌兼得”。

可見，“幻覺”是當下大模型領域的通病，而DeepSeek-R1正是該問題的顯著案例之一。

每當新模型發佈時，大家往往先入爲主：當推理模型出來後，模型能力大幅度提升，幻覺就會被逐漸消滅；相反，也有一種猜測，推理模型往往要比通用模型幻覺更強。但這些觀點其實全都是錯的。

比如 o1 相對於 4o 並沒有增加太多的幻覺，反過來也可以說，o1並沒有大幅度降低幻覺。

o3和o4-mini 幻覺的提升連OpenAI的研究人員在系統卡論文中也說道“仍需繼續研究”。可以說，在一定程度上，LLM的幻覺現象仍然是個黑盒，隨着模型的不斷發展，這層迷霧仍然籠罩在各大基礎模型廠商的上空。

廣義上，普遍認爲像DeepSeek-R1這樣的推理模型往往喜歡多輪思考，放大幻覺。

推理模型和深度思考模型通常採用多輪推理或長鏈式思考策略，通過逐步分解問題、生成中間步驟，最終得出答案。這種設計本來是爲了模擬人類複雜的邏輯推理過程。但是，多輪思考也可能導致模型在每一步生成中引入微小的偏差或錯誤，這些偏差在後續步驟中被放大，促成多米諾骨牌效應的出現。

爲什麼大家再談LLM的幻覺？除了百度等廠商爲了應對DeepSeek的競爭，破除唯“DeepSeek論”之外，還有一個原因：普通用戶們在實際體驗中越來越感到恐懼了。

這主要是因爲大模型通過大規模訓練數據，已經能夠構建高度自洽、邏輯幾乎閉環的知識體系，模型對語義上下文的理解和生成能力越來越強，幻覺卻也越來越真實了。甚至產生了一種“性能與幻覺齊飛”的詭異現象。

可以說，幻覺已經事實上不再是評判模型性能的主要標準了。

大家在日常使用中，肯定都有過這樣的體驗：AI 杜撰不存在的信源、生成看似真實的學術引用、“現場”構造僞造的網頁鏈接，甚至在長長的思維鏈裏不斷“故意迎合”用戶，諂媚用戶。

如果只是普通的日常使用場景，幻覺現象的隱蔽性並不會降低用戶信任。但是，當大模型商業化後，涉及專業領域或複雜問題時，這種不確定性就會引發用戶對可靠性的質疑，甚至產生對AI本身的恐懼感。

02

李彥宏2024年曾說，過去24個月裏AI行業經歷的最大變革之一是大模型基本消除了“幻覺”問題。這一說法一時讓各路網友覺得他出現了幻覺。

確實，某些領域（例如文生圖、視頻等多模態輸出方面）隨着模型能力的提升，幻覺現象確實已經大幅降低了。

但是，儘管幻覺問題在這些受控場景下大幅改善，在生成長文本或複雜視覺場景時仍未解決。

最直觀的例子就是：每當各大廠商推出新一輪的深度思考模型時，都不得不再度老調重彈幻覺問題。可以說，幻覺問題已經被研究了好幾年了，但直到今天都沒有辦法找到一個極好的方式克服幻覺，arXiv上一篇一篇的論文砸向這個黑盒領域。

不過，技術開發者應對 AI 幻覺，也確實有一些手段。目前比較主流的方式還是檢索增強生成（RAG），這個方式有點老了但是管用，也是最廣的應用思路。

RAG，即在模型回答前先檢索資料。英偉達 CEO黃仁勳就強調，要讓AI減少幻覺，很簡單，“給每個回答加一道規則：先查證再作答”。 具體而言，模型接到問題後，像搜索引擎那樣查詢權威來源，然後依據檢索到的信息作答。如果發現引用的信息與已知事實不符，就丟棄該信息並繼續查找 。通過這種方式，模型不再僅憑參數記憶回答，而是有據可依。讓模型能夠引入最新的網頁/數據庫內容，在內部機制裏學會對不知道的事物說“我確實不知道”。

百度2024年發佈的檢索增強的文生圖技術iRAG，就是爲了解決文生圖中的幻覺問題，結合了自身的億級圖片資源庫，讓生成的圖片更真實、更貼合現實。

此外，一個更基本的方法是“嚴格控制訓練數據的質量”。

當然，全面的數據治理過於困難，因爲互聯網語料過於複雜且知識隨時間變化，像是“弱智吧”的語料就極難正確過濾。

騰訊此前發佈的混元深度思考模型T1，針對長思維鏈數據中的幻覺和邏輯錯誤，訓練了一個Critic批判模型來進行嚴格篩選。這種“雙重把關”策略——即模型先產出回答，然後再覈對其中的關鍵實體和事實，再決定是否輸出，也能在一定程度上降低幻覺率。

即使有上述手段的加持，要徹底根治幻覺仍充滿挑戰。OpenAI就在最新報告中坦承：“爲什麼模型規模變大、推理能力增強後幻覺反而更多，我們目前也不完全清楚，還需要更多研究”。

03

幻覺，也並非全無益處。各大廠商正站在一個幻覺與創造力交匯的十字路口：幻覺並非純粹的缺陷，同樣也能帶來模型更佳的創造力。

大模型的幻覺一般分爲：事實性幻覺和忠實性幻覺。當大模型回答的內容與用戶的指令或者上下文信息不一致時，可能就會出現所謂的“靈感”。 不管是違背輸入文本，還是違背客觀事實， “幻覺”產生的部分往往是模型發揮想象的結果。

有個專業術語叫“外箱式創意”，指的是“跳出既有框架的創作力” ，這正是大模型區別於檢索引擎的魅力所在。大家往往潛意識裏認爲AI做的是低“創意密度“的任務，無法佔領諸如科幻文學這類的高創造力寫作。

然而，劉慈欣對此有話說。

前段時間，劉慈欣在一次採訪中說他曾拿自己所寫的長篇中的一章發給 DeepSeek，讓它在這個基礎上續寫。結果發現它寫出來的東西，甚至要比自己寫得好。這甚至讓他有了一種很大的失落感。

但是，劉慈欣本人仍喜愛DeepSeek：“爲什麼呢？因爲我想到，由於人腦的生物特性，有一些沒法衝破的認知極限，但 AI 卻有可能突破。如果它真的可以突破極限，那麼我甘心樂意被 AI 取代。當然，現在它還做不到。未來的路還很遙遠。”

OpenAI CEO奧特曼也曾提及AI的幻覺特性並非全然是壞事，在創作領域仍有積極意義。這也可能是未來LLM的一個方向。

面對幾乎成爲大模型固有特性的幻覺現象，要低到什麼地步，我們纔可以接受？

這沒有固定的答案，而是依賴於應用場景。在需要精準性的高風險or涉及倫理的領域裏，LLM 的幻覺固有特性幾乎斷絕了商業空間。

從哲學上看，這反映了人類對技術的期望：AI應比人類更可靠。折射出人類對 LLM 的角色定位，如果將 AI 僅僅視作鋤頭而已，那麼AI幾乎永不可能達到這樣的標準。如果將 AI 視作天然具有幻覺特性的工具，接受“幻覺”是AI的固有特質，就要賦予AI區分虛構與現實的能力，讓它在需要的時候學會說“我不知道”。

或許我們也應該換種思路研究AI。