สถิติ ai หลอน 2026: อัตราใน 108 โมเดล และเหตุผลที่แต่ละการทดสอบให้ผลไม่ตรงกัน

โมเดล AI ใส่ข้อมูลที่ไม่มีหลักฐานลงในบทสรุป 1.8% ถึง 24.2% และเดาผิดถึง 96.5% ของคำถามยากที่ตอบไม่ได้

เราเปิดสถิติ ai หลอนทุกตัวด้านล่างที่แหล่งต้นทางเมื่อวันที่ 6 ตุลาคม 2026 ค่ามัธยฐานและจำนวนโมเดลที่จับคู่กันได้เป็นการคำนวณของเราเองจากตารางที่ Vectara เผยแพร่

แผนภูมิแสดง AA-Omniscience ตามที่ Artificial Analysis แสดงไว้เมื่อวันที่ 6 ตุลาคม 2026 ที่ระดับการให้เหตุผลสูงสุดเท่าที่แต่ละโมเดลมีให้เลือก แกนนอนคือความแม่นยำใน 6,000 คำถามยาก แกนตั้งคืออัตราการหลอน คือในคำถามที่โมเดลตอบไม่ถูก มีสัดส่วนเท่าไรที่ตอบผิดแทนที่จะบอกว่าไม่รู้ Claude Fable 5.1 ของ Anthropic รู้มากที่สุด ตอบถูก 67.2% แต่ก็ยังตอบข้อที่พลาดด้วยข้อมูลเท็จถึง 72.6% ส่วน Gemini 4 Argon ของ Google ตอบถูกน้อยกว่าที่ 49.9% แต่ได้ 15.1% เพราะปฏิเสธบ่อยกว่ามาก การรู้กับการเดาเป็นคนละทักษะกัน

อัตรา ai หลอนแยกตามโมเดลเป็นเท่าไร

บนลีดเดอร์บอร์ดของ Vectara อัตรา ai หลอนแยกตามโมเดลอยู่ระหว่าง 1.8% ของ Finix S1 32B จาก Ant Group ถึง 24.2% ของ Ministral 3 3B จาก Mistral และโมเดลที่อยู่กลางตารางอยู่ที่ 9.6% Vectara ให้ทุกโมเดลสรุปบทความชุดเดียวกันกว่า 7,700 บทความ แล้วนับว่าบทสรุปอ้างสิ่งที่บทความไม่ได้พูดบ่อยแค่ไหน ไม่มีโมเดลไหนได้ศูนย์

ทุกแถวในที่นี้มาจากบอร์ดของ Vectara วันที่ 22 กันยายน 2026 และรายชื่อครบทั้ง 108 โมเดลอยู่บนหน้า GitHub ของ Vectara โมเดลเล็กของค่ายมักทำได้ดีกว่ารุ่นเรือธง: GPT-5.4 nano ของ OpenAI ได้ 3.1% ขณะที่ GPT-5.6 Sol ได้ 12.4% และรุ่นใหม่กว่าก็ไม่ได้ต่ำกว่าเสมอไป Claude Opus 4.7 ของ Anthropic ที่ 12.0% สูงกว่า Claude Sonnet 4.6 ที่เก่ากว่า Vectara บอกตรง ๆ ว่าข้อสอบของตนทำอะไรไม่ได้บ้าง คำถามที่พบบ่อยของ Vectara ยอมรับว่าโมเดลที่ลอกประโยคจากบทความมาตรง ๆ จะได้คะแนนเต็ม

โมเดลตัวเดียวกันอาจมีตัวเลขต่างกันมากถึงสามค่า หน้าเปิดตัว GPT-6 Astra ของ OpenAI ลงวันที่ 3 กันยายน 2026 รายงาน 4.2% บนเบนช์มาร์กภายใน Vectara วัดได้ 8.7% และ Artificial Analysis ให้ 44.8% ถึง 51.3% ขึ้นกับระดับการให้เหตุผลที่ใช้ ไม่มีค่าไหนผิด แต่ละค่าตอบคนละคำถาม

ทำไมเบนช์มาร์ก ai หลอนจึงให้ผลไม่ตรงกัน

เบนช์มาร์กเรื่อง ai หลอนให้ผลไม่ตรงกัน เพราะแต่ละอันทดสอบความล้มเหลวคนละแบบ ในงานคนละอย่าง และใช้ตัวหารคนละตัว อ่านนิยามก่อนจะอ้างตัวเลข

นักวิจัยของ OpenAI โต้แย้งในเดือนกันยายน 2025 ว่าวิธีให้คะแนนโมเดลทำให้ปัญหานี้แย่ลง บทความของพวกเขาระบุว่า "standard training and evaluation procedures reward guessing over acknowledging uncertainty" ตัวเลข SimpleQA ที่ใช้พิสูจน์เรื่องนี้ชัดเจนมาก o4-mini รุ่นเก่าของ OpenAI ตอบถูก 24% ตอบผิด 75% และปฏิเสธเพียง 1% ส่วน gpt-5-thinking-mini รุ่นใหม่ตอบถูก 22% แต่ปฏิเสธ 52% และผิดเพียง 26% บนกระดานคะแนนที่นับแต่ข้อที่ถูก คนที่เดาจะชนะ

นี่คือเหตุผลที่ไม่มี "อัตราการหลอน" ค่าเดียวของโมเดล ผู้อ่านที่อยากเห็นสองค่ายตอบไม่ตรงกันสามารถส่งคำถามเดียวไปยัง 2 จากกว่า 280 โมเดลของ Whizi ในมุมมองเทียบกันข้างกัน และทำไม AI ถึงตอบผิดอธิบายวิธีตรวจคำตอบที่ได้

อัตรา ai หลอนลดลงตามเวลาหรือไม่

ในการทดสอบเดียวกันที่คงที่ อัตรา ai หลอนส่วนใหญ่ลดลง แต่ข้อสอบยากขึ้นเรื่อย ๆ ตัวเลขพาดหัวจึงอาจสูงขึ้นทั้งที่โมเดลดีขึ้น ลีดเดอร์บอร์ดของ Vectara แสดงผลอย่างหลังนี้ได้ชัดเจน

ระหว่างเดือนตุลาคม 2025 ถึงกันยายน 2026 Vectara เปลี่ยนชุดข้อมูลเป็นบทความกว่า 7,700 บทความ บางบทความยาวถึง 24,000 คำ และเปลี่ยนตัวตัดสินจาก HHEM-2.1 เป็น HHEM-2.3 เราจับคู่ 44 โมเดลที่ใช้ชื่อเดียวกันบนบอร์ดทั้งสองใบ โดยตัดชื่อที่บอร์ดเก่ามีสองเวอร์ชันออก มี 39 โมเดลได้คะแนนแย่ลงในข้อสอบใหม่ 4 โมเดลดีขึ้น และ DeepSeek V3.1 ไม่ขยับ ค่ามัธยฐานของทั้ง 44 โมเดลเพิ่มจาก 4.1% เป็น 7.95% ทั้งที่ทุกโมเดลเป็นรุ่นเดิม

GPT-5 ของ OpenAI ที่ระดับการให้เหตุผลสูงกระโดดมากที่สุด จาก 1.4% เป็น 15.1% ตัวเลขปี 2025 กับปี 2026 จากลีดเดอร์บอร์ดเดียวกันจึงอ่านเป็นแนวโน้มไม่ได้ ควรระบุวันที่และชุดข้อมูลควบคู่กับตัวเลขเสมอ

ตัวเลขของ OpenAI เองส่วนใหญ่ชี้ลง ยกเว้นหนึ่งกรณีที่กลับทิศ system card เดือนเมษายน 2025 แสดงว่า o3 หลอนใน 33% ของคำถาม PersonQA ซึ่งเป็นสองเท่าของ o1 รุ่นเก่าที่ 16% และ o4-mini หลอน 48% ในเดือนสิงหาคม 2025 OpenAI บอกว่า GPT-5 แบบ thinking มีโอกาสทำข้อเท็จจริงผิดน้อยกว่า o3 ราว 80% ในเดือนกันยายน 2026 หน้า GPT-6 Astra ระบุว่าโมเดลอยู่ที่ 4.2% เทียบกับ 12.2% ของ GPT-5.6 Sol system card ระบุว่าข้อสอบนี้ใช้บทสนทนาที่ผู้ใช้ติดธงไว้ อัตราจึงสูงกว่าที่คนเจอในการใช้งานทั่วไปมาก

ตัวเลขตอนเปิดตัวเองก็ขยับ Fortune รายงานเมื่อวันที่ 4 กันยายน 2026 ว่า OpenAI เปลี่ยนตัวเลขของ Astra และ GPT-5.6 Sol เป็น 2% และ 9.4% หลังหน้าขึ้นเว็บ แล้วคืนค่า 4.2% และ 12.2% ที่แสดงไว้แต่แรก OpenAI บอก Fortune ว่าการแก้ไขเพื่อให้แน่ใจว่าตัวเลขเป็นค่าประมาณที่ดีที่สุดของตน

การตรวจสอบอิสระขยับทั้งสองทาง NewsGuard พบว่าแชตบอตพูดซ้ำข่าวเท็จ 35% ของเวลาในเดือนสิงหาคม 2025 เพิ่มจาก 18% เมื่อปีก่อน ขณะที่อัตราการปฏิเสธลดจาก 31% เหลือศูนย์ การตรวจสอบเดือนมกราคม 2026 ได้อัตราเกิน 28% ส่วนการเปรียบเทียบของ BBC เองไปอีกทาง: คำตอบที่มีปัญหาร้ายแรงลดจาก 51% ในการศึกษารอบแรกเหลือ 37% ในรอบที่ EBU เผยแพร่เมื่อเดือนตุลาคม 2025

Artificial Analysis พบในเดือนพฤศจิกายน 2025 ว่าทุกโมเดลยกเว้นสามตัวมีโอกาสหลอนมากกว่าตอบถูกในคำถามยากของตน ในเดือนตุลาคม 2026 มี 15 จาก 30 คอนฟิกระดับแนวหน้าที่แสดงโดยค่าเริ่มต้น ยังตอบผิดมากกว่าครึ่งของข้อที่พลาด ค่ามัธยฐานคือ 49.8%

ผู้ช่วย AI ตอบข่าวผิดบ่อยแค่ไหน

ผู้ช่วย AI ให้คำตอบที่มีข้อบกพร่องร้ายแรงต่อคำถามข่าว 45% ในการศึกษาของ EBU และ BBC ที่เผยแพร่เมื่อวันที่ 21 ตุลาคม 2025 ดำเนินการโดยสถานีกระจายเสียงสาธารณะ 22 แห่งใน 18 ประเทศ EBU เรียกว่าเป็นหนึ่งในการประเมินแบบนี้ที่ใหญ่ที่สุด

นักข่าวตรวจคำตอบ 2,709 รายการจาก ChatGPT, Copilot, Gemini และ Perplexity ใน 14 ภาษา เรื่องแหล่งที่มาเป็นปัญหามากที่สุด 31% ของคำตอบมีปัญหาเรื่องแหล่งที่มาร้ายแรง เช่น แหล่งที่หายไป ผิด หรืออ้างผิดที่ หนึ่งในห้ามีปัญหาด้านความถูกต้องขั้นรุนแรง รวมถึงรายละเอียดที่แต่งขึ้นหรือล้าสมัย Gemini ของ Google แย่ที่สุด มีปัญหาร้ายแรงใน 76% ของคำตอบ ตามด้วย Copilot 37%, ChatGPT 36% และ Perplexity 30%

Tow Center ของ Columbia ป้อน 1,600 คำค้นให้เครื่องมือค้นหา AI แปดตัว และให้แต่ละตัวบอกว่าคำพูดที่ยกมาจากบทความไหน เครื่องมือตอบผิดมากกว่า 60% ของคำค้น ตามรายงานเดือนมีนาคม 2025 Perplexity ผิด 37% ส่วน Grok 3 ของ xAI ผิด 94%

ai หลอนสร้างความเสียหายในโลกจริงเท่าไร

ต้นทุนที่ชัดที่สุดปรากฏในศาล ณ วันที่ 6 ตุลาคม 2026 ฐานข้อมูลของ Damien Charlotin ระบุคำพิพากษา 2,149 คดีที่ศาลต้องจัดการกับเนื้อหาที่ AI แต่งขึ้น และ 1,473 คดีอยู่ในสหรัฐอเมริกา

ส่วนใหญ่เกี่ยวกับผู้ที่ไม่มีทนาย: 1,233 รายการระบุคู่ความที่ว่าความเอง ทนายความมี 854 และผู้พิพากษา 33 ข้อมูลของ Charlotin แสดงคำพิพากษาลงวันที่ปี 2025 ทั้งปี 852 คดี และ 1,208 คดีตั้งแต่มกราคมถึงกันยายน 2026 ปีนี้จึงแซงปีที่แล้วไปแล้ว ในคดีที่เอกสารระบุเครื่องมือ ChatGPT ปรากฏใน 139 จาก 235 คดี ในบทลงโทษ 192 รายการที่ระบุเป็นดอลลาร์สหรัฐ มี 6 รายการที่ถึง $50,000 ขึ้นไป

คดีดังคดีแรกตั้งราคาไว้ต่ำ ใน Mata v. Avianca ผู้พิพากษาศาลรัฐบาลกลางในนิวยอร์กปรับทนายสองคนและสำนักงานรวม $5,000 เมื่อวันที่ 22 มิถุนายน 2023 พวกเขาอ้างคำพิพากษาหกคดีที่ ChatGPT แต่งขึ้น

เครื่องมือกฎหมายแบบเสียเงินช่วยได้แต่ไม่ได้แก้ปัญหา การทดสอบที่ลงทะเบียนล่วงหน้าของ Stanford RegLab ซึ่งเผยแพร่ในเดือนพฤษภาคม 2024 พบว่าเครื่องมือค้นคว้า AI ของ LexisNexis และ Thomson Reuters หลอนระหว่าง 17% ถึง 33% ของเวลาในแต่ละเจ้า

ที่ปรึกษาก็ไม่รอด Deloitte Australia ตกลงในเดือนตุลาคม 2025 ที่จะคืนเงินงวดสุดท้ายของสัญญารัฐบาล A$440,000 ตามรายงานของ Associated Press นักวิจัยจาก University of Sydney พบข้อผิดพลาดถึง 20 จุดในรายงาน 237 หน้า รวมถึงคำพูดที่แต่งขึ้นจากคำพิพากษาของศาลกลาง รายงานฉบับแก้ไขเปิดเผยว่าใช้ Azure OpenAI ช่วยเขียน

ในที่ทำงาน ต้นทุนเงียบกว่านั้น ในแบบสำรวจของ KPMG และ University of Melbourne กับ 48,000 คนใน 47 ประเทศ ที่เผยแพร่ในเดือนเมษายน 2025 พนักงาน 66% ที่ใช้ AI บอกว่าพึ่งพาผลลัพธ์โดยไม่ประเมิน และ 56% บอกว่าทำงานพลาดเพราะ AI

เรารวบรวมตัวเลขเหล่านี้อย่างไร

เราเปิดทุกตัวเลขในหน้านี้ที่แหล่งต้นทางเมื่อวันที่ 6 ตุลาคม 2026 และนี่คือแหล่งที่เราใช้:

• ลีดเดอร์บอร์ดบน GitHub ของ Vectara ทั้งชุดข้อมูลปัจจุบันและชุดก่อนหน้า
• หน้า AA-Omniscience ของ Artificial Analysis และโพสต์เปิดตัวเดือนพฤศจิกายน 2025
• รายงาน system card และหน้าเปิดตัวของ OpenAI
• NewsGuard AI False Claims Monitor
• รายงาน News Integrity ของ EBU และ BBC และ Tow Center ของ Columbia
• ฐานข้อมูลของ Damien Charlotin และบันทึกคดี Mata v. Avianca
• รายงานของ Stanford RegLab และแบบสำรวจของ KPMG กับ University of Melbourne
• Fortune และ Associated Press สำหรับสองเหตุการณ์ที่บริษัทไม่ได้เผยแพร่เอง

ตัวเลขบางตัวเป็นการคำนวณของเราเอง ค่ามัธยฐาน 9.6% และจำนวน 50 โมเดลมาจากตารางของ Vectara วันที่ 22 กันยายน 2026 การเปรียบเทียบแบบจับคู่ใช้โมเดลที่ใช้ชื่อเดียวกันบนบอร์ดเดือนตุลาคม 2025 และกันยายน 2026 เราตัดชื่อที่มีสองเวอร์ชันบนบอร์ดเก่าหรือไม่มีเวอร์ชันชัดเจนออก ซึ่งทำให้ GPT-4o, DeepSeek R1, DeepSeek V3, Command R Plus และ Mistral Large หลุดไป Llama 3.3 70B จับคู่ระหว่างบิลด์ Instruct บนบอร์ดเก่ากับบิลด์ Turbo บนบอร์ดใหม่ ค่ามัธยฐาน 49.8% ครอบคลุม 30 คอนฟิกที่ Artificial Analysis แสดงโดยค่าเริ่มต้น และบางคอนฟิกเป็นโมเดลเดียวที่ตั้งการให้เหตุผลสองระดับ ยอดรวมคดีปี 2025 และ 2026 รวมจากตัวเลขรายไตรมาสของ Charlotin

เราตัดสิ่งที่สืบหาต้นทางไม่ได้ออก หน้าสถิติจำนวนมากพูดซ้ำว่า ai หลอนทำให้ธุรกิจเสียหาย $67.4 billion ในปี 2024 สำเนาที่เราพบอ้างเว็บไซต์ AllAboutAI และเราไม่พบงานวิจัยต้นทางรองรับ เรายังตัดตัวเลขการท่องเว็บของ OpenAI สองตัวที่ปรากฏเป็นป้ายในแผนภูมิของ system card ของ GPT-5 เท่านั้นออกด้วย เพราะเราจับคู่แต่ละป้ายกับโมเดลของมันได้ไม่มั่นใจ

วิธีอ้างอิงสถิติ ai หลอนเหล่านี้

ทุกตัวเลขในหน้านี้ใช้ได้ฟรีเมื่อมีลิงก์กลับมาที่หน้านี้ บรรทัดให้เครดิตง่าย ๆ ก็พอ:

• Source: Whizi Research, "AI hallucination statistics 2026: rates across 108 models, and why the tests disagree", whizi.io/resources/ai-hallucination-statistics, updated October 2026.

เมื่ออ้างอัตราใด ให้ใส่เบนช์มาร์กและวันที่กำกับไว้ ตัวเลขของ Vectara กับของ AA-Omniscience สำหรับโมเดลเดียวกันอาจต่างกันเกือบหกเท่า หน้าสถิติ ChatGPT, ส่วนแบ่งตลาดแชตบอต AI, สถิติราคา LLM API และสถิติการสมัครสมาชิก AI ของเราใช้กฎเรื่องแหล่งที่มาเดียวกัน