OpenAI研究人员近日表示，他们已找到解决大语言模型一个关键难题的方法，即减少模型在输出信息时产生的“幻觉”现象。

所谓“幻觉”，指的是大语言模型在生成内容时会输出看似合理但实际上并不准确的信息。这种问题广泛存在于当前主流模型中，成为影响其可靠性的一大障碍。

研究人员在一篇新发表的论文中指出，幻觉现象的根源在于模型的训练机制。目前的训练方式更倾向于奖励模型“猜测”答案，而不是鼓励它在面对不确定信息时坦承“我不知道”。这种机制导致模型倾向于表现得像一个“善于应试的考生”，即使在信息不明确的情况下也会尝试给出一个看似正确的回答。

OpenAI在上月的一篇文章中提到，其他模型在处理不确定性时的表现也有所不同。例如，某些模型在面对缺乏明确答案的问题时，会倾向于选择不回答或表达不确定。虽然这有助于减少错误信息的输出，但也可能降低模型的实用性，因为用户期望获得更多的有效回应。

研究人员认为，幻觉问题难以根除的主要原因之一，是当前主流评估体系的导向。这些评估方法往往将“猜测出正确答案”视为高分表现，而将“无法回答”或“不确定”视为低分表现。这种机制进一步强化了模型猜测行为的倾向。

“现实世界并非非黑即白的判断题，”研究人员在论文中指出，“但目前的评估标准却把模型训练成了始终处于考试状态的答题机器，忽略了现实中普遍存在的不确定性。”

他们建议，解决这一问题的根本方法在于重新设计模型的评估和评分机制。理想的评估体系应当对猜测行为进行惩罚，而不是对模型的不确定性表达予以扣分。只有当评分机制能够准确反映模型在面对不确定时的合理反应，才能真正减少幻觉现象的发生。

在相关说明中，研究人员进一步强调，当前以准确率为核心的评估标准已经难以适应更复杂的应用场景。如果排行榜继续奖励那些依靠猜测获得高分的模型，那么未来的大模型仍会被持续训练为依赖运气的“应试机器”。