AI 模型幻觉率对比：知识准确性与可靠性怎么看

数据更新于 2026年9月17日 22:12；本文分别比较知识可靠性、事实知识准确率和无错误断言率。三项指标含义不同，不能把任一项直接扩写成所有场景下的“幻觉率”。

哪个 AI 模型更少产生幻觉

当前知识可靠性排名前三的候选是 GPT-6 Astra (high)、Claude Fable 5.1 (max with fallback)、GPT-6 Astra (xhigh)。这项结果适合筛选事实问答候选，但不能保证模型在你的企业资料、最新事件、专业领域或检索流程中同样可靠。

“少说错话”包含两种不同能力：知道正确答案，以及不知道时避免自信地编造。只看准确率会忽略谨慎不答，只看非幻觉率又可能奖励过度保守，因此需要把两项放在一起。

知识可靠性排行榜

1. GPT-6 Astra (high) — 43.7
2. Claude Fable 5.1 (max with fallback) — 43.5
3. GPT-6 Astra (xhigh) — 43.4
4. GPT-6 Astra (max) — 43.4
5. Claude Fable 5.1 (xhigh with fallback) — 42.4
6. GPT-6 Astra (medium) — 42.2
7. Claude Fable 5.1 (high with fallback) — 40.8
8. GPT-6 Astra (low) — 40.5
9. Claude Fable 5.1 (medium with fallback) — 37.6
10. Claude Opus 5 (max) — 37.1

查看完整知识可靠性图表 · 了解评测方法

知识可靠性综合观察事实知识准确性与避免错误断言的能力，适合快速判断模型在知识问答中的整体取舍。

事实知识准确率排行榜

1. Claude Fable 5.1 (max with fallback) — 67.2%
2. Claude Fable 5.1 (xhigh with fallback) — 66.2%
3. Claude Fable 5.1 (high with fallback) — 64.9%
4. Claude Fable 5.1 (medium with fallback) — 63.1%
5. GPT-6 Astra (max) — 62.6%
6. GPT-6 Astra (xhigh) — 61.9%
7. GPT-6 Astra (high) — 61.1%
8. Claude Opus 5 (max) — 60.9%
9. GPT-6 Astra (medium) — 60.6%
10. Claude Fable 5.1 (low with fallback) — 60.2%

事实知识准确率关注模型给出完全正确答案的比例。它不等于“没有幻觉”：一个模型如果在不确定时选择不答，准确回答数量可能减少，但错误断言也可能减少。

无错误断言率排行榜

1. MiniCPM5-1B (Non-reasoning) — 99.1%
2. G9v3-3B — 88.3%
3. G9v3-39A5B — 87.0%
4. Command A+ — 85.8%
5. LFM2.5-2.6B — 84.0%
6. MiniCPM5-1B — 83.0%
7. Qwen3.8 27B — 81.9%
8. MiniMax-M3 — 81.6%
9. Quasar 438B (max) — 78.6%
10. MiniCPM5-2B — 78.1%

无错误断言率把正确回答与谨慎不答都视为没有作出错误事实断言。它更接近高风险场景对“不要瞎猜”的要求，但不代表模型回答了所有问题。

综合能力高也不等于事实永远正确

当前综合智力靠前的候选：

1. Claude Fable 5.1 (max with fallback) — 53.4
2. Claude Fable 5.1 (xhigh with fallback) — 53.2
3. GPT-6 Astra (max) — 52.8
4. GPT-6 Astra (xhigh) — 52.5
5. Claude Fable 5.1 (high with fallback) — 51.2

综合智力衡量复杂任务能力，知识可靠性关注事实问答中的准确与克制。一个模型可能擅长推理、编程和长流程任务，但仍会在陌生事实、时效性信息或来源不足时出错。

不同场景怎样降低错误风险

• 普通问答： 要求区分事实、推断与不确定内容，并允许明确回答“不知道”。
• 企业知识库： 检索只能提供材料，仍要验证引用是否真的支持结论。
• 研究与媒体： 保留来源、日期和原文位置，对关键数字做独立复核。
• 客服与业务规则： 将关键政策写成可验证约束，禁止模型凭常识补全。
• 医疗、法律和财务： 模型输出不能替代专业判断，高风险结论必须由合格人员复核。

接入搜索或检索增强并不会自动消除幻觉。模型仍可能引用错段落、混合多个来源、误读数字，或在材料没有答案时继续生成。验证流程应检查“答案是否正确”和“证据是否支持答案”两件事。

一套可执行的可靠性测试

1. 从真实业务中收集有明确答案、无答案、答案过时和问题含歧义的样本。
2. 给所有候选相同资料、相同提示词和相同工具权限。
3. 分别记录正确、错误、无依据断言、谨慎不答和引用不匹配。
4. 对高风险问题设置必须引用、必须确认或必须转人工的规则。
5. 定期加入新问题复测，避免模型只适应一套固定题目。

最重要的业务指标通常不是“回答了多少”，而是“有多少答案可以安全使用”。在允许不答的场景中，可靠的拒答可能比流畅但错误的答案更有价值。

继续阅读

• AI 大模型综合排行榜
• 长上下文 AI 模型排行榜
• AI API 模型选型指南