哪种情况可能导致所谓的“ai幻觉”问题

同一句问题，换个问法结论就变了；让它写代码顺手编出个不存在的函数；问一份文件，它把没写过的条款说得像真的。这些都不一定是「模型不行」，多半是某一环的条件被凑齐了。这篇不讲幻觉的定义——站内已有专门一篇——只讲在你手上这件事里，哪几种情况最容易把它诱发出来，以及按什么顺序去核对。

同一句问题，换个问法结论就变了；让它写代码，顺手编出个根本不存在的函数；问一份文件，它把没写过的条款说得像真的。这些都不一定是「模型不行」，多半是某一环的条件被凑齐了。这篇不讲幻觉的定义，站内已有专门一篇讲透，我们只讲在你手上这件事里，哪几种情况最容易把它诱发出来。

把这件事拆成数据、提示、解码三段来看，排查就有顺序了。你会发现，大多数「胡说」不是随机发生的，而是你在某个环节刚好给了它一个必须靠猜才能把话说完的场景。下面按层拆，每层都给判断标准和可执行动作。

先把「幻觉」拆成三层，别一上来就怪模型

很多人一遇到胡编就下结论说模型不行，其实同一件事放在不同层上看，结论完全不同。训练侧的问题是你给的知识它本来就没学过或学拧了；提示侧的问题是你在这一次对话里没让它有依据可依；解码侧的问题是它在没有依据的情况下被允许大胆猜。这三层的处理方式不一样，混在一起谈就永远只能得出「模型不靠谱」这种没用的结论。

• 训练侧：语料里本来就没有、或者有大量互相矛盾的说法，模型只能按学到的分布去补一个最像的答案
• 提示侧：问题本身没给足判断依据，或者上下文里混进了会误导方向的内容
• 解码侧：从概率分布里挑字的方式被调得更敢猜，同一份知识也会说出不同答案
• 三层叠加时才最容易出问题，单独一层通常只是偏差，不一定是明显胡编

判断你这次踩的是哪一层，有个很简单的动作：把原始材料原文贴进上下文，明确要求只依据下文回答，再问一遍。如果答案立刻变稳，说明主要矛盾在提示侧；如果贴了原文它还是编，那要往数据侧看，问的可能是它完全没材料的细分领域。

训练数据这一层：缺、旧、冲突，三种情况表现不一样

训练侧的问题不会以同一种形式表现出来。缺材料时它会用相近概念拼一个听起来对的答案；记的是旧印象时它会很自信地给出已经过期的口径；语料里说法打架时它会按出现频次作答，而不是按正确性排序。分清是哪一种，才知道该不该继续用它。

时效性强的数字是一类特别典型的坑。模型记的是某个时间点的印象，它不会自己知道已经变了。这类问题不要问模型，去 /models 和 /official-api 看当时的数字，站内有官方价格与模型资料库，比问它靠谱得多。

提示这一层：四种最容易把模型带偏的写法

提示侧是最容易被忽视、也最容易自己动手修的一层。同样一个问题，你换一种问法，输出质量可能天差地别。下面这四种写法，几乎每一次胡编都能在里头找到影子。

• 问题预设了答案，比如问「为什么 X 会导致 Y」，而 X 本身不成立，模型倾向于顺着前提往下编
• 开放式范围太宽又没有边界，模型会为了把话说完而填空
• 上下文里塞了相互矛盾的材料，模型不会主动指出冲突，而是挑一部分用来作答
• 把模型当检索库而不是推理器，要求它给出精确出处、精确编号、精确引文，这类内容它只能近似生成，是最常见的诱因

1. 改问法把同样的问题改成「先说明你不确定的部分，再给能确定的部分」，看输出是否明显收敛。收敛说明原来那次是被提示带偏的。
2. 标必须核实项把问题里所有时效性、精确性要求单独摘出来，写清楚这些项必须回原始来源，不要让它用记忆答。
3. 贴原文能贴材料就别让它凭记忆答，明确写「只依据上文，不足就说不确定」，再对比前后两次输出的差异。

这里有个反直觉的点：措辞越强硬，比如追问「你确定吗，再想想」，它越可能顺着你的压力改口，而不是更接近事实。逼出来的答案往往比第一次更不可靠。

解码这一层：同一个模型，参数不同，胡说的概率也不同

解码这一层是很多人完全没意识到的变量。同一个模型，换个参数设置，同一份知识也能说出不同答案。参数调得更敢猜，输出更发散，在事实性任务上就更容易出现没有依据的内容。这不是模型变了，是挑字的方式变了。

温度类参数

调高会让输出更发散，创作类任务合适，事实性任务上更容易出现无据内容

采样范围

限制得越窄，模型越倾向于选高概率项，答案更保守但也更稳

随机种子

固定种子只保证可复现，不保证正确，别把稳定复现同一个错当成可靠

判断标准很简单：同一提示跑多次，如果答案在事实点上左右摇摆，说明它本来就没有确定依据。这时候调参只能让输出更好看，不能让它变对。术语对照去 /ai-dict/category/tips 和 /ai-dict/category/basics 查。

调参能让胡说变得好看，但不会让没有依据的答案变得有依据。

按任务类型分：哪些活本来就不该交给它做

除了看三层，还有个更实用的角度：看任务类型。不同任务对「准确」的要求完全不一样，有些活它天生适合，有些活你交给它就是在赌。判断口诀是：答案的对错能不能被外部材料验证。不能验证的，就别让它单独作结论。

很多投诉说模型乱编，拆开看其实是任务本身就放错了位置，比如让它凭记忆报一个每周都在变的价格。这不是幻觉问题，是用法问题。把任务放对位置，一大半的胡编会自己消失。

实操：五步定位你这次到底踩了哪一环

上面讲的是判断标准，这一节给一个能直接照着走的排查顺序。五步走完，你基本能确定这次到底是哪一环出的问题，也能知道下次怎么绕开。

1. 摘必须核实项把问题里所有时效性、精确性要求摘出来，标成必须核实项，明确这些不能靠模型记忆。
2. 重问一次并贴原文把原始材料原文贴进上下文，明确写只依据上文，不足就说不确定，再问一遍，对比前后差异。
3. 换中立问法同一个问题换成不含预设立场的问法再问一遍，对比两次答案的分歧点在哪里。
4. 拆分来源让模型把哪些是材料里写的、哪些是它自己补的分开列，补的部分就是幻觉高发区。
5. 摇晃测试如果答案在多次之间摇摆，或去掉上下文后就答不上来，说明结论不可用，回原始来源核对。

这些判断什么时候不成立

上面这套方法不是万能的，有几种情况用它会得出错误结论。写清楚边界，比给一个绝对化的结论更有用。

• 你已经提供完整且唯一的原文，并限定只依据原文作答：此时输出错误更多是提示理解或截断问题，不是知识缺失
• 模型明确声明信息不足并拒答：这是正常行为，不算幻觉，不要用更强的措辞逼它给答案
• 任务本身允许创作，比如取名、写标语、编故事：发散输出是功能不是缺陷，别拿事实性标准去衡量

另外一个不适用的情况是：你问的问题本身就有歧义，模型只是选了一个你没预期的解读。这时候换更明确的问法就行，不必往幻觉上靠。

降低触发概率的动作顺序

如果你想把这事变成一套固定习惯，按下面的顺序来。顺序很重要，先定边界再给材料，比反过来有效得多，因为边界不清时贴再多材料它也可能挑着用。

• 先定边界：说清哪些能推断、哪些必须查原文，不能确定的要标出来
• 再给材料：能贴原文就别让模型凭记忆答，长文本场景注意截断，截断后模型同样会补
• 再调参数：事实性任务压低发散程度，创作类任务再放开
• 最后做抽检：对必须核实项逐条回源，把核对过的口径与踩坑记录留档，同类问题下次直接套用

抽检这一步最容易被省掉，但它才是把一次排查变成长期习惯的关键。把每次踩到的坑记下来，同类问题下次直接套用已有的问法，比每次都重新试要省事得多。