李彦宏点名批评DeepSeek幻觉高。这回，他真的没错。但大模型的幻觉问题，又远非错与对那么简单。

DeepSeek-R1作为今年年初的新晋国产开源大模型，以强大的推理能力和更懂国人的文笔，在苹果美区App免费下载排行榜上力压ChatGPT一头，甚至一度成为“AI”的代言词。

然而，自从R1席卷全网后，关于它经常“胡说八道”的批评就不绝于耳，比如它实在太能编了，让人真真假假分不清。

除了用户端之外，李彦宏及其代表的大厂们也“苦”DeepSeek已久：一方面，大厂不得不依赖DeepSeek的泼天流量导入自身门户入口；另一方面，尽管投入大量人力物力研发深度推理模型，其成果却难以突破用户心智。

在2025百度AI开发者大会的开幕上，李彦宏直接点出全民AI大模型 DeepSeek-R1 的痛点：“只支持单一模态、幻觉率较高、又慢又贵”。一番犀利评论，再度引发了各界对DeepSeek-R1以及大模型“幻觉”的评议。

但出现强烈幻觉的并不止DeepSeek一家，OpenAI在其内部测试中发现：o3/o4-mini虽然全面替换了o1系列，但是幻觉现象越来越强了；国内第一个混合推理模型——阿里通义的Qwen3也在X上被网友指出幻觉现象仍旧大量存在。

关于幻觉的解释有很多，尤其是当推理模型问世后,大家都认为推理模型的思考模式和模型性能攀升后，幻觉就会被消灭，但事实证明：幻觉的生存能力太强了，用户们还是常常被“LLM生编硬造，逻辑闭环的幻觉操作”看呆。

不过，另有一说：大模型的幻觉也算是创作力的副产品，并不完全是桎梏。

今天我们重新讲讲大模型幻觉，看看AI圈子最大的黑箱问题到底解决了没有，解决进度到哪了？

01

李彦宏对DeepSeek-R1的批评确实有据可循。

AI数据服务公司Vectara的一项HHEM幻觉评估中，DeepSeek-R1的幻觉率高达14.3%，而其前代基础模型DeepSeek-V3仅为3.9%，R1的幻觉甚至要比V3的幻觉高出4倍。阿里通义的QwQ-32B-Preview的幻觉率则高达16.1%。

更值得注意的是，除了DeepSeek-R1和Qwen系列之外，纵观业内，几乎所有最先进的大模型都遭到了幻觉问题的挑战。一般来说，当新模型出现，幻觉程度就会低于其前身模型，但是这一常理性的现象并不在推理模型上适用。

OpenAI的内部评估系统卡里提供了一个具有代表性的例子：他们设计了一项名为PersonQA的基准测试，用于衡量模型回答人物信息问题的准确性。结果发现，o3在PersonQA上的幻觉率上升到了33%，几乎是被全面替代的前代模型o1（16%）的两倍。轻量版推理模型o4-mini的幻觉率高达48%。

在最新出炉的一版Vectara的幻觉测试中，马斯克 xAI的Grok-3比Grok-2幻觉更严重，谷歌Gemini 2.0系列中强调深度推理的Flash-Thinking版本比标准版幻觉问题更突出。

当业界追求更强推理能力的大语言模型时，事实准确性与生成内容一致性几乎无法“鱼与熊掌兼得”。

可见，“幻觉”是当下大模型领域的通病，而DeepSeek-R1正是该问题的显著案例之一。

每当新模型发布时，大家往往先入为主：当推理模型出来后，模型能力大幅度提升，幻觉就会被逐渐消灭；相反，也有一种猜测，推理模型往往要比通用模型幻觉更强。但这些观点其实全都是错的。

比如 o1 相对于 4o 并没有增加太多的幻觉，反过来也可以说，o1并没有大幅度降低幻觉。

o3和o4-mini 幻觉的提升连OpenAI的研究人员在系统卡论文中也说道“仍需继续研究”。可以说，在一定程度上，LLM的幻觉现象仍然是个黑盒，随着模型的不断发展，这层迷雾仍然笼罩在各大基础模型厂商的上空。

广义上，普遍认为像DeepSeek-R1这样的推理模型往往喜欢多轮思考，放大幻觉。

推理模型和深度思考模型通常采用多轮推理或长链式思考策略，通过逐步分解问题、生成中间步骤，最终得出答案。这种设计本来是为了模拟人类复杂的逻辑推理过程。但是，多轮思考也可能导致模型在每一步生成中引入微小的偏差或错误，这些偏差在后续步骤中被放大，促成多米诺骨牌效应的出现。

为什么大家再谈LLM的幻觉？除了百度等厂商为了应对DeepSeek的竞争，破除唯“DeepSeek论”之外，还有一个原因：普通用户们在实际体验中越来越感到恐惧了。

这主要是因为大模型通过大规模训练数据，已经能够构建高度自洽、逻辑几乎闭环的知识体系，模型对语义上下文的理解和生成能力越来越强，幻觉却也越来越真实了。甚至产生了一种“性能与幻觉齐飞”的诡异现象。

可以说，幻觉已经事实上不再是评判模型性能的主要标准了。

大家在日常使用中，肯定都有过这样的体验：AI 杜撰不存在的信源、生成看似真实的学术引用、“现场”构造伪造的Source Link，甚至在长长的思维链里不断“故意迎合”用户，谄媚用户。

如果只是普通的日常使用场景，幻觉现象的隐蔽性并不会降低用户信任。但是，当大模型商业化后，涉及专业领域或复杂问题时，这种不确定性就会引发用户对可靠性的质疑，甚至产生对AI本身的恐惧感。

02

李彦宏2024年曾说，过去24个月里AI行业经历的最大变革之一是大模型基本消除了“幻觉”问题。这一说法一时让各路网友觉得他出现了幻觉。

确实，某些领域（例如文生图、视频等多模态输出方面）随着模型能力的提升，幻觉现象确实已经大幅降低了。

但是，尽管幻觉问题在这些受控场景下大幅改善，在生成长文本或复杂视觉场景时仍未解决。

最直观的例子就是：每当各大厂商推出新一轮的深度思考模型时，都不得不再度老调重弹幻觉问题。可以说，幻觉问题已经被研究了好几年了，但直到今天都没有办法找到一个极好的方式克服幻觉，arXiv上一篇一篇的论文砸向这个黑盒领域。

不过，技术开发者应对 AI 幻觉，也确实有一些手段。目前比较主流的方式还是检索增强生成（RAG），这个方式有点老了但是管用，也是最广的应用思路。

RAG，即在模型回答前先检索资料。英伟达 CEO黄仁勋就强调，要让AI减少幻觉，很简单，“给每个回答加一道规则：先查证再作答”。 具体而言，模型接到问题后，像搜索引擎那样查询权威来源，然后依据检索到的信息作答。如果发现引用的信息与已知事实不符，就丢弃该信息并继续查找 。通过这种方式，模型不再仅凭参数记忆回答，而是有据可依。让模型能够引入最新的网页/数据库内容，在内部机制里学会对不知道的事物说“我确实不知道”。

百度2024年发布的检索增强的文生图技术iRAG，就是为了解决文生图中的幻觉问题，结合了自身的亿级图片资源库，让生成的图片更真实、更贴合现实。

此外，一个更基本的方法是“严格控制训练数据的质量”。

当然，全面的数据治理过于困难，因为互联网语料过于复杂且知识随时间变化，像是“弱智吧”的语料就极难正确过滤。

腾讯此前发布的混元深度思考模型T1，针对长思维链数据中的幻觉和逻辑错误，训练了一个Critic批判模型来进行严格筛选。这种“双重把关”策略——即模型先产出回答，然后再核对其中的关键实体和事实，再决定是否输出，也能在一定程度上降低幻觉率。

即使有上述手段的加持，要彻底根治幻觉仍充满挑战。OpenAI就在最新报告中坦承：“为什么模型规模变大、推理能力增强后幻觉反而更多，我们目前也不完全清楚，还需要更多研究”。

03

幻觉，也并非全无益处。各大厂商正站在一个幻觉与创造力交汇的十字路口：幻觉并非纯粹的缺陷，同样也能带来模型更佳的创造力。

大模型的幻觉一般分为：事实性幻觉和忠实性幻觉。当大模型回答的内容与用户的指令或者上下文信息不一致时，可能就会出现所谓的“灵感”。 不管是违背输入文本，还是违背客观事实， “幻觉”产生的部分往往是模型发挥想象的结果。

有个专业术语叫“外箱式创意”，指的是“跳出既有框架的创作力” ，这正是大模型区别于检索引擎的魅力所在。大家往往潜意识里认为AI做的是低“创意密度“的任务，无法占领诸如科幻文学这类的高创造力写作。

然而，刘慈欣对此有话说。

前段时间，刘慈欣在一次采访中说他曾拿自己所写的长篇中的一章发给 DeepSeek，让它在这个基础上续写。结果发现它写出来的东西，甚至要比自己写得好。这甚至让他有了一种很大的失落感。

但是，刘慈欣本人仍喜爱DeepSeek：“为什么呢？因为我想到，由于人脑的生物特性，有一些没法冲破的认知极限，但 AI 却有可能突破。如果它真的可以突破极限，那么我甘心乐意被 AI 取代。当然，现在它还做不到。未来的路还很遥远。”

OpenAI CEO奥特曼也曾提及AI的幻觉特性并非全然是坏事，在创作领域仍有积极意义。这也可能是未来LLM的一个方向。

面对几乎成为大模型固有特性的幻觉现象，要低到什么地步，我们才可以接受？

这没有固定的答案，而是依赖于应用场景。在需要精准性的高风险or涉及伦理的领域里，LLM 的幻觉固有特性几乎断绝了商业空间。

从哲学上看，这反映了人类对技术的期望：AI应比人类更可靠。折射出人类对 LLM 的角色定位，如果将 AI 仅仅视作锄头而已，那么AI几乎永不可能达到这样的标准。如果将 AI 视作天然具有幻觉特性的工具，接受“幻觉”是AI的固有特质，就要赋予AI区分虚构与现实的能力，让它在需要的时候学会说“我不知道”。

或许我们也应该换种思路研究AI。