AI 基础5 分钟阅读发布于：2026-06-26更新于：2026-08-07

什么是 AI 幻觉？成因与预防方法（2026）

AI 幻觉是指模型生成虚假或误导性信息。了解为什么会发生、如何识别，以及减少幻觉的最佳实践。

作者 Heizi· 创始人 & 编辑· 发布于: 2026-06-26· 更新于: 2026-08-07

什么是 AI 幻觉？

AI 幻觉是指语言模型生成虚假、编造或不受训练数据支持的信息，但却自信地将其呈现为真实。模型不是在故意「撒谎」——它是在根据模式预测下一个最可能的 token，有时会产生听起来合理但不正确的输出。这是我们的 AI 新手指南中涵盖的最重要的概念之一，因为它影响每一位用户，无论使用哪种模型。

在 AI 语境下，「what are hallucinations」的搜索量在 2026 年增长了 1150%，反映了 AI 用户对这个重要问题的日益关注。

为什么会发生幻觉？

语言模型不像数据库那样「记住」事实。它从训练数据中学习统计模式，通过预测可能的 token 序列来生成回复。当模型遇到训练数据有限的话题，或 Prompt 含糊时，它可能用听起来合理但不正确的信息来填补空白。

当你询问非常新近的事件、冷门话题，或要求具体的引用和 URL 时，幻觉更容易发生——模型可能是根据模式构造而非从记忆中回忆。构造不当的 Prompt 也会增加幻觉风险——了解什么是好的 Prompt 对于从任何 AI 模型获得可靠答案至关重要。

训练数据偏差是另一个促成因素。如果模型的训练数据以英语来源为主，在被问及非英语话题或地区性事件时更容易产生幻觉。类似地，模型可能将热门话题的模式外推到较少见的话题上，对小众主题产生自信但不准确的回复。

如何减少幻觉

虽然无法完全消除幻觉，但通过好的实践可以显著减少。学习编写有效的 Prompt 是最有影响力的步骤之一——带有适当上下文的清晰指令可以大幅降低生成虚假输出的概率：

要求模型承认不确定性（「如果不确定，就说不知道」）
在 Prompt 中提供参考上下文（RAG — 检索增强生成）
要求提供来源和引用，然后独立验证
将复杂问题拆分为更小的可验证步骤
事实性查询使用较低的温度设置
用权威来源交叉验证关键信息

我们遇到过的真实幻觉案例

在我们测试 20+ AI 模型供应商的过程中，我们见过多种形式的幻觉。以下是我们记录的最常见类型：

最危险的幻觉是那些听起来最有说服力的。模型可能引用一篇听起来真实的学术论文 —— 作者名真实、标题合理、期刊却是编造的 —— 除非你去搜索，否则根本不会发现。我们看到 Claude、GPT-4 和 Gemini 都做过这种事。

编造引用 —— 真实的作者名配假的论文标题和期刊（我们测试中最常见）
虚构 API 参数 —— 模型自信地描述不存在的 SDK 方法。我们发现 GPT-4 曾虚构了一个 'stream_options' 参数，而几个月后这个参数才真正被添加
不存在的 URL —— 看起来合理但 404 的文档链接。在加入代码库前务必测试 URL
错误的定价数据 —— 模型回忆过时或不正确的定价。务必在官方页面验证当前价格
历史修正主义 —— 自信地陈述错误的日期或事件，尤其是训练截止日期之后的事件

哪些模型幻觉最多？

根据我们的实际测试，不同模型和供应商的幻觉率差异很大。我们没有严格的基准数字，但以下是我们日常使用的定性印象：

推理模型（如 Claude Opus、GPT-4o 和 DeepSeek-R1）在训练数据范围内的事实性问题上幻觉更少，但一旦幻觉就更难识别。更快更便宜的模型（如 Claude Haiku、GPT-4o-mini）幻觉更频繁，但错误通常更容易发现。对于关键的事实性研究，使用搜索引擎而非 AI 聊天机器人仍然是更安全的选择，因为你可以直接验证来源。

核心洞察：模型大小重要，但提示设计更重要。用小模型配结构良好、有上下文和验证步骤的提示，往往优于用最先进的模型配模糊的提示。