Галлюцинации ИИ: статистика 2026, уровень у 108 моделей и почему тесты расходятся

ИИ-модели добавляют неподтверждённые утверждения в 1.8% до 24.2% пересказов и ошибаются в ответах на до 96.5% трудных вопросов, которых не знают

Мы открыли каждую статистику галлюцинаций ИИ ниже в её первоисточнике 6 октября 2026. Медиана и число сопоставленных моделей: наши собственные расчёты по опубликованным таблицам Vectara.

На графике показан тест AA-Omniscience в том виде, в каком Artificial Analysis показывала его 6 октября 2026, при самом высоком режиме рассуждения, указанном для каждой модели. По горизонтали: точность на 6,000 трудных вопросов. По вертикали: уровень галлюцинаций, то есть доля вопросов, на которые модель не ответила верно, но дала неправильный ответ вместо признания, что не знает. Claude Fable 5.1 от Anthropic знает больше всех: 67.2% верных ответов. Но на 72.6% своих промахов она отвечает ложью. Gemini 4 Argon от Google отвечает верно реже, на 49.9%, а уровень у неё 15.1%, потому что она гораздо чаще отказывается отвечать. Знать и угадывать, это разные навыки.

Каков уровень галлюцинаций ИИ по моделям?

В рейтинге Vectara уровень галлюцинаций ИИ по моделям колеблется от 1.8% у Finix S1 32B от Ant Group до 24.2% у Ministral 3 3B от Mistral, а медианная модель даёт 9.6%. Vectara даёт каждой модели один и тот же набор из более чем 7,700 статей и считает, как часто пересказ утверждает то, чего в статье нет. Нулевого результата нет ни у одной.

Каждая строка здесь взята из таблицы Vectara от 22 сентября 2026, а полный список всех 108 моделей лежит на странице Vectara на GitHub. Малая модель лаборатории часто справляется с этим лучше флагмана: GPT-5.4 nano от OpenAI получает 3.1%, а GPT-5.6 Sol 12.4%. Новее не всегда значит ниже: Claude Opus 4.7 от Anthropic с 12.0% стоит выше более старой Claude Sonnet 4.6. Vectara открыто говорит, чего её тест не умеет. В FAQ признаётся, что модель, которая просто копирует предложения из статьи, получила бы идеальный балл.

У одной и той же модели могут быть три совершенно разные цифры. На странице запуска GPT-6 Astra от 3 сентября 2026 OpenAI приводит 4.2% на внутреннем бенчмарке. Vectara измеряет 8.7%, а Artificial Analysis даёт от 44.8% до 51.3% в зависимости от режима рассуждения. Ни одна из трёх цифр не ошибочна. Каждая отвечает на свой вопрос.

Почему бенчмарки галлюцинаций ИИ расходятся?

Бенчмарки галлюцинаций ИИ расходятся, потому что каждый проверяет свой тип сбоя, на своей задаче и с другим знаменателем. Прежде чем цитировать число, прочитайте определение.

Исследователи OpenAI в сентябре 2025 утверждали, что принятый способ оценки моделей усугубляет проблему. В их материале сказано: "standard training and evaluation procedures reward guessing over acknowledging uncertainty." Цифры SimpleQA, на которых они это показали, красноречивы. Более старая o4-mini ответила верно на 24% вопросов и неверно на 75%, отказавшись лишь в 1%. Более новая gpt-5-thinking-mini ответила верно на 22%, но отказалась в 52% и ошиблась только в 26%. В таблице, где считаются лишь верные ответы, выигрывает тот, кто угадывает.

Поэтому единого "уровня галлюцинаций" для модели не существует. Кто хочет увидеть, как две лаборатории расходятся, может отправить один вопрос двум из 280+ моделей Whizi в режиме рядом, а в материале почему ИИ ошибается разобрано, как проверить полученный ответ.

Снижается ли уровень галлюцинаций ИИ со временем?

В любом одном неизменном тесте уровень галлюцинаций ИИ в основном снижался. Но тесты постоянно усложняются, поэтому заголовочная цифра может расти, пока модели становятся лучше. Рейтинг Vectara хорошо показывает второй эффект.

Между октябрём 2025 и сентябрём 2026 Vectara заменила набор данных на более чем 7,700 статей, некоторые длиной до 24,000 слов, и сменила судью с HHEM-2.1 на HHEM-2.3. Мы сопоставили 44 модели, которые числятся под одним именем в обоих рейтингах, исключив любое имя, которое в старом рейтинге встречалось в двух версиях. Тридцать девять показали худший результат на новом тесте. Четыре стали лучше, а DeepSeek V3.1 не изменилась. Медиана по 44 моделям выросла с 4.1% до 7.95%, при этом каждая модель оставалась тем же релизом.

GPT-5 от OpenAI с высоким усилием рассуждения совершила самый большой скачок: с 1.4% до 15.1%. Поэтому цифру 2025 года и цифру 2026 года из одного рейтинга нельзя читать как тренд. Указывайте рядом с числом дату и набор данных.

Собственные цифры OpenAI в основном идут вниз, но с одним разворотом. Её системная карта за апрель 2025 показала, что o3 галлюцинировала в 33% вопросов PersonQA, вдвое больше, чем 16% у более старой o1, а o4-mini в 48%. В августе 2025 OpenAI заявила, что GPT-5 с размышлением примерно на 80% реже o3 допускает фактическую ошибку. В сентябре 2026 страница GPT-6 Astra указала для модели 4.2% против 12.2% у GPT-5.6 Sol. В системной карте сказано, что тест использует диалоги, отмеченные пользователями, поэтому его уровни намного выше того, что люди видят в обычной работе.

Сама цифра запуска тоже менялась. Fortune сообщил 4 сентября 2026, что OpenAI изменила показатели Astra и GPT-5.6 Sol на 2% и 9.4% после выхода страницы, а затем вернула первоначальные 4.2% и 12.2%. В OpenAI сказали Fortune, что правки нужны, чтобы цифры были её лучшей оценкой.

Независимые аудиты двигались в обе стороны. NewsGuard обнаружил, что в августе 2025 чат-боты повторяли ложные новостные утверждения в 35% случаев, против 18% годом ранее, при этом доля отказов упала с 31% до нуля. В аудите за январь 2026 уровень превысил 28%. Собственное сравнение BBC пошло в другую сторону: доля ответов с серьёзной проблемой упала с 51% в первом исследовании до 37% в раунде, который EBU опубликовал в октябре 2025.

Artificial Analysis обнаружила в ноябре 2025, что все модели, кроме трёх, чаще галлюцинировали, чем отвечали верно на её трудные вопросы. В октябре 2026 15 из 30 передовых конфигураций, которые она показывает по умолчанию, всё ещё отвечают неверно более чем на половину своих промахов. Медиана составляет 49.8%.

Как часто ИИ-ассистенты ошибаются в новостях?

ИИ-ассистенты дали серьёзно ошибочный ответ на 45% новостных вопросов в исследовании EBU и BBC, опубликованном 21 октября 2025 и проведённом 22 общественными вещателями в 18 странах. EBU называет его одной из крупнейших оценок такого рода.

Журналисты проверили 2,709 ответов ChatGPT, Copilot, Gemini и Perplexity на 14 языках. Больше всего проблем создавали источники. В 31% ответов была серьёзная проблема с источниками: отсутствующий, неверный или неправильно приписанный источник. В каждом пятом была крупная проблема с точностью, включая выдуманные или устаревшие детали. Хуже всех показал Gemini от Google: серьёзные проблемы в 76% ответов. Далее Copilot с 37%, ChatGPT с 36% и Perplexity с 30%.

Центр Тоу при Колумбийском университете прогнал 1,600 запросов через восемь ИИ-инструментов поиска и попросил каждый назвать статью, из которой взята цитата. Инструменты дали неверные ответы более чем на 60% запросов, говорится в материале за март 2025. Perplexity ошиблась в 37%. Grok 3 от xAI ошибся в 94%.

Сколько галлюцинации ИИ стоят в реальной жизни?

Яснее всего цена видна в суде. На 6 октября 2026 база Дамьена Шарлотена содержала 2,149 решений, в которых суд имел дело с выдуманными ИИ материалами, и 1,473 из них были в США.

Большинство касаются людей без адвоката: в 1,233 записях указан сторона, представляющая себя сама. На юристов приходится 854, на судей 33. По данным Шарлотена, за весь 2025 год датировано 852 решения, а с января по сентябрь 2026 уже 1,208, так что этот год обогнал прошлый. Там, где в документе названо средство, ChatGPT фигурирует в 139 из 235 дел. Из 192 штрафов, названных в долларах США, шесть достигли $50,000 или больше.

Первый громкий случай оказался недорогим. В деле Mata v. Avianca федеральный судья в Нью-Йорке 22 июня 2023 оштрафовал двух юристов и их фирму на $5,000. Они сослались на шесть судебных решений, которые выдумал ChatGPT.

Платные юридические инструменты помогают, но не решают проблему. Предварительно зарегистрированный тест Stanford RegLab, опубликованный в мае 2024, показал, что ИИ-инструменты LexisNexis и Thomson Reuters галлюцинировали в 17% до 33% случаев каждый.

Консультанты не застрахованы. Deloitte Australia в октябре 2025 согласилась вернуть последний платёж по государственному контракту на A$440,000, сообщило агентство Associated Press. Исследователь из Сиднейского университета нашёл до 20 ошибок в её 237-страничном отчёте, включая выдуманную цитату из решения федерального суда. В исправленном отчёте раскрыли, что для его написания использовали Azure OpenAI.

На работе цена менее заметна. В опросе KPMG и Мельбурнского университета среди 48,000 человек в 47 странах, опубликованном в апреле 2025, 66% сотрудников, использующих ИИ, сказали, что полагаются на его результат, не оценивая его. А 56% сказали, что допускали ошибки в работе из-за ИИ.

Как мы собрали эти цифры

Мы открыли каждую цифру на этой странице в её первоисточнике 6 октября 2026, вот источники, которые мы использовали:

• Рейтинг Vectara на GitHub, по текущему и предыдущему набору данных
• Страница AA-Omniscience от Artificial Analysis и её запуск в ноябре 2025
• Статья, системные карты и страницы запуска OpenAI
• NewsGuard AI False Claims Monitor
• Отчёт EBU и BBC News Integrity и Центр Тоу при Колумбийском университете
• База Дамьена Шарлотена и материалы дела Mata v. Avianca
• Статья Stanford RegLab и опрос KPMG и Мельбурнского университета
• Fortune и Associated Press, для двух событий, которые сами компании не публиковали

Некоторые цифры мы посчитали сами. Медиана 9.6% и число 50 моделей взяты из таблицы Vectara от 22 сентября 2026. Сопоставленное сравнение объединяет модели, значащиеся под одним именем в рейтингах октября 2025 и сентября 2026. Мы исключили любое имя с двумя версиями в старом рейтинге или без ясной версии, поэтому выпали GPT-4o, DeepSeek R1, DeepSeek V3, Command R Plus и Mistral Large. Llama 3.3 70B сопоставлена между сборкой Instruct в старом рейтинге и сборкой Turbo в новом. Медиана 49.8% охватывает 30 конфигураций, которые Artificial Analysis показывает по умолчанию, и некоторые из них это одна модель в двух режимах рассуждения. Итоги по судам за 2025 и 2026 складываются из квартальных данных Шарлотена.

Мы отбросили то, что не смогли проследить. Многие страницы со статистикой повторяют утверждение, что галлюцинации ИИ обошлись бизнесу в $67.4 миллиарда в 2024. Копии, которые мы нашли, ссылаются на сайт AllAboutAI, а первичного исследования за ним мы не нашли. Мы также исключили две цифры OpenAI о просмотре веб-страниц, которые встречаются только как подписи на диаграммах в системной карте GPT-5, потому что не смогли уверенно сопоставить каждую подпись с её моделью.

Как цитировать эту статистику галлюцинаций ИИ

Любую цифру с этой страницы можно использовать бесплатно со ссылкой на эту страницу. Подойдёт простая строка источника:

• Источник: Whizi Research, "Галлюцинации ИИ: статистика 2026, уровень у 108 моделей и почему тесты расходятся", whizi.io/resources/ai-hallucination-statistics, обновлено в октябре 2026.

Приводя уровень, указывайте рядом бенчмарк и дату. Цифра Vectara и цифра AA-Omniscience для одной модели могут отличаться почти в шесть раз. Наши страницы статистика ChatGPT, доля рынка ИИ-чат-ботов, статистика цен на LLM API и статистика ИИ-подписок следуют тем же правилам работы с источниками.