Thống kê ảo giác AI 2026: tỷ lệ của 108 mô hình và vì sao các bài kiểm tra không khớp nhau

Các mô hình AI thêm nội dung không có căn cứ vào 1.8% đến 24.2% bản tóm tắt, và đoán sai tới 96.5% số câu khó mà chúng không biết

Chúng tôi đã mở từng số liệu thống kê về ảo giác AI dưới đây tại nguồn gốc của nó vào ngày 6/10/2026. Giá trị trung vị và số mô hình trùng khớp là phép tính của chúng tôi trên các bảng Vectara đã công bố.

Biểu đồ vẽ AA-Omniscience như Artificial Analysis hiển thị vào ngày 6/10/2026, ở mức suy luận cao nhất mà trang này liệt kê cho từng mô hình. Trục ngang là độ chính xác trên 6,000 câu hỏi khó. Trục dọc là tỷ lệ ảo giác: trong số các câu mô hình không trả lời đúng, phần mà nó trả lời sai thay vì nói rằng mình không biết. Claude Fable 5.1 của Anthropic biết nhiều nhất, đúng 67.2%. Nhưng nó vẫn trả lời bằng thông tin sai cho 72.6% số câu trượt. Gemini 4 Argon của Google trả lời đúng ít hơn, 49.9%, và chỉ có tỷ lệ 15.1% vì từ chối nhiều hơn hẳn. Biết và đoán là hai kỹ năng riêng biệt.

Tỷ lệ ảo giác AI theo từng mô hình là bao nhiêu?

Trên bảng xếp hạng của Vectara, tỷ lệ ảo giác AI theo mô hình dao động từ 1.8% với Finix S1 32B của Ant Group đến 24.2% với Ministral 3 3B của Mistral, và mô hình trung vị nằm ở 9.6%. Vectara đưa cho mọi mô hình cùng một bộ hơn 7,700 bài báo và đếm xem bản tóm tắt của chúng nêu điều gì mà bài báo không nói. Không mô hình nào đạt điểm không.

Mọi dòng ở đây đều lấy từ bảng ngày 22/9/2026 của Vectara, và danh sách đầy đủ cả 108 mô hình nằm trên trang GitHub của Vectara. Mô hình nhỏ của một phòng thí nghiệm thường làm việc này tốt hơn mô hình đầu bảng: GPT-5.4 nano của OpenAI đạt 3.1%, còn GPT-5.6 Sol đạt 12.4%. Mới hơn cũng chưa chắc thấp hơn. Claude Opus 4.7 của Anthropic, ở mức 12.0%, nằm trên Claude Sonnet 4.6 cũ hơn. Vectara thẳng thắn về những gì bài kiểm tra của họ không làm được. Phần FAQ thừa nhận rằng một mô hình chép nguyên câu từ bài báo sẽ được điểm tuyệt đối.

Cùng một mô hình có thể mang ba con số rất khác nhau. Trang ra mắt GPT-6 Astra của OpenAI, đề ngày 3/9/2026, báo cáo 4.2% trên một bài kiểm tra nội bộ. Vectara đo được 8.7%, còn Artificial Analysis cho ra 44.8% đến 51.3%, tùy mức suy luận được chạy. Không con số nào sai. Mỗi con số trả lời một câu hỏi khác nhau.

Vì sao các bài kiểm tra ảo giác AI cho kết quả không khớp nhau?

Các bài kiểm tra ảo giác AI không khớp nhau vì mỗi bài kiểm tra đo một kiểu lỗi khác nhau, trên một tác vụ khác nhau, với mẫu số khác nhau. Hãy đọc định nghĩa trước khi trích dẫn con số.

Các nhà nghiên cứu của OpenAI lập luận vào tháng 9/2025 rằng cách chấm điểm mô hình làm tình hình tệ hơn. Bài viết của họ nói rằng "standard training and evaluation procedures reward guessing over acknowledging uncertainty" (quy trình huấn luyện và đánh giá tiêu chuẩn thưởng cho việc đoán hơn là thừa nhận sự không chắc chắn). Các số liệu SimpleQA mà họ dùng để chứng minh rất rõ ràng. o4-mini cũ hơn của OpenAI trả lời đúng 24% số câu và sai 75%, chỉ từ chối 1%. gpt-5-thinking-mini mới hơn đúng 22%, nhưng từ chối 52% và chỉ sai 26%. Trên bảng điểm chỉ đếm câu đúng, người đoán sẽ thắng.

Vì vậy không tồn tại một "tỷ lệ ảo giác" duy nhất cho một mô hình. Người đọc muốn thấy hai phòng thí nghiệm bất đồng có thể gửi một câu hỏi cho hai trong số hơn 280 mô hình của Whizi ở chế độ song song, còn vì sao AI trả lời sai nói về cách kiểm tra câu trả lời nhận được.

Tỷ lệ ảo giác AI có đang giảm theo thời gian không?

Trên bất kỳ bài kiểm tra cố định nào, tỷ lệ ảo giác AI phần lớn đã giảm. Nhưng các bài kiểm tra cứ khó dần, nên con số tiêu đề có thể tăng trong khi mô hình tốt lên. Bảng xếp hạng của Vectara cho thấy rõ hiệu ứng thứ hai.

Giữa tháng 10/2025 và tháng 9/2026, Vectara thay bộ dữ liệu bằng hơn 7,700 bài báo, có bài dài tới 24,000 từ, và chuyển bộ chấm từ HHEM-2.1 sang HHEM-2.3. Chúng tôi ghép 44 mô hình được liệt kê cùng tên trên cả hai bảng, loại bỏ mọi tên mà bảng cũ có hai phiên bản. Ba mươi chín mô hình điểm tệ hơn trên bài kiểm tra mới. Bốn mô hình tốt hơn, và DeepSeek V3.1 không đổi. Trung vị của 44 mô hình tăng từ 4.1% lên 7.95%, trong khi mọi mô hình vẫn là cùng bản phát hành như trước.

GPT-5 của OpenAI ở mức nỗ lực suy luận cao có bước nhảy lớn nhất, từ 1.4% lên 15.1%. Vì vậy một con số năm 2025 và một con số năm 2026 từ cùng bảng xếp hạng không thể đọc như một xu hướng. Hãy ghi kèm ngày và bộ dữ liệu cùng con số.

Số liệu của chính OpenAI phần lớn đi xuống, với một lần đảo chiều. Thẻ hệ thống tháng 4/2025 của hãng cho thấy o3 ảo giác ở 33% câu hỏi PersonQA, gấp đôi mức 16% của o1 cũ hơn, và o4-mini ở mức 48%. Tháng 8/2025 OpenAI cho biết GPT-5 với chế độ suy nghĩ ít mắc lỗi sự kiện hơn o3 khoảng 80%. Tháng 9/2026, trang GPT-6 Astra đưa mô hình ở mức 4.2%, so với 12.2% của GPT-5.6 Sol. Thẻ hệ thống nói rằng bài kiểm tra này dùng các cuộc trò chuyện mà người dùng đã gắn cờ, nên tỷ lệ của nó cao hơn nhiều so với những gì mọi người thấy khi dùng hằng ngày.

Chính con số ra mắt cũng đã thay đổi. Fortune đưa tin ngày 4/9/2026 rằng OpenAI đã đổi số liệu của Astra và GPT-5.6 Sol thành 2% và 9.4% sau khi trang lên sóng, rồi lại đưa 4.2% và 12.2% mà hãng đã hiển thị ban đầu trở về. OpenAI nói với Fortune rằng các chỉnh sửa nhằm đảm bảo các con số là ước tính tốt nhất của hãng.

Các cuộc kiểm toán độc lập đi theo cả hai hướng. NewsGuard phát hiện chatbot lặp lại các tuyên bố tin tức sai 35% số lần vào tháng 8/2025, tăng từ 18% một năm trước, khi tỷ lệ từ chối giảm từ 31% xuống không. Cuộc kiểm toán tháng 1/2026 của họ cho tỷ lệ trên 28%. So sánh của chính BBC đi theo hướng ngược lại: câu trả lời có lỗi nghiêm trọng giảm từ 51% trong nghiên cứu đầu tiên xuống 37% ở đợt EBU công bố vào tháng 10/2025.

Tháng 11/2025, Artificial Analysis phát hiện rằng trừ ba mô hình, tất cả đều có khả năng ảo giác cao hơn khả năng trả lời đúng trên các câu hỏi khó của họ. Đến tháng 10/2026, 15 trong 30 cấu hình tiên phong mà trang hiển thị mặc định vẫn trả lời sai hơn một nửa số câu trượt. Trung vị là 49.8%.

Trợ lý AI trả lời sai tin tức thường xuyên đến mức nào?

Trợ lý AI đã đưa ra câu trả lời có lỗi nghiêm trọng cho 45% câu hỏi tin tức trong nghiên cứu của EBU và BBC công bố ngày 21/10/2025, do 22 đài truyền hình công cộng ở 18 quốc gia thực hiện. EBU gọi đây là một trong những cuộc đánh giá lớn nhất thuộc loại này.

Các nhà báo đã xem xét 2,709 câu trả lời từ ChatGPT, Copilot, Gemini và Perplexity bằng 14 ngôn ngữ. Nguồn dẫn gây nhiều rắc rối nhất. Trong 31% câu trả lời có vấn đề nghiêm trọng về nguồn, chẳng hạn nguồn bị thiếu, sai hoặc gán nhầm. Cứ năm câu thì có một câu mắc lỗi lớn về độ chính xác, gồm cả chi tiết bịa đặt hoặc lỗi thời. Gemini của Google tệ nhất, với lỗi nghiêm trọng trong 76% câu trả lời. Copilot theo sau với 37%, ChatGPT 36% và Perplexity 30%.

Tow Center của Columbia chạy 1,600 truy vấn qua tám công cụ tìm kiếm AI và yêu cầu từng công cụ nêu tên bài báo mà một trích dẫn xuất phát. Các công cụ đưa ra câu trả lời sai cho hơn 60% truy vấn, theo bài viết tháng 3/2025. Perplexity sai 37%. Grok 3 của xAI sai 94%.

Ảo giác AI gây thiệt hại gì ngoài đời thực?

Thiệt hại rõ nhất xuất hiện ở tòa án. Ngày 6/10/2026, cơ sở dữ liệu của Damien Charlotin liệt kê 2,149 phán quyết trong đó tòa án xử lý nội dung do AI bịa ra, và 1,473 trong số đó ở Hoa Kỳ.

Phần lớn liên quan đến những người không có luật sư: 1,233 mục ghi một đương sự tự đại diện. Luật sư chiếm 854 và thẩm phán 33. Dữ liệu của Charlotin cho thấy 852 phán quyết mang ngày của cả năm 2025 và 1,208 từ tháng 1 đến tháng 9/2026, nên năm nay đã vượt năm ngoái. Khi hồ sơ nêu tên công cụ, ChatGPT xuất hiện trong 139 trên 235 vụ. Trong 192 mức phạt tính bằng đô la Mỹ, sáu mức đạt $50,000 trở lên.

Vụ nổi tiếng đầu tiên đặt ra một mức giá thấp. Trong vụ Mata v. Avianca, một thẩm phán liên bang ở New York đã phạt hai luật sư và công ty của họ $5,000 vào ngày 22/6/2023. Họ đã trích dẫn sáu phán quyết của tòa án do ChatGPT bịa ra.

Công cụ pháp lý trả phí giúp ích nhưng không khắc phục được. Bài kiểm tra đăng ký trước của Stanford RegLab, công bố tháng 5/2024, cho thấy các công cụ nghiên cứu AI của LexisNexis và Thomson Reuters đều ảo giác từ 17% đến 33% số lần.

Các công ty tư vấn cũng không miễn nhiễm. Deloitte Australia đồng ý vào tháng 10/2025 hoàn trả đợt thanh toán cuối của hợp đồng chính phủ trị giá A$440,000, theo Associated Press. Một nhà nghiên cứu của University of Sydney đã tìm thấy tới 20 lỗi trong báo cáo dài 237 trang của hãng, gồm một trích dẫn bịa từ phán quyết của tòa án liên bang. Báo cáo sửa đổi cho biết Azure OpenAI đã được dùng để viết nó.

Ở nơi làm việc, thiệt hại âm thầm hơn. Trong một khảo sát của KPMG và University of Melbourne với 48,000 người tại 47 quốc gia, công bố tháng 4/2025, 66% nhân viên dùng AI nói rằng họ dựa vào kết quả của nó mà không đánh giá. Và 56% nói họ đã mắc sai sót trong công việc vì AI.

Cách chúng tôi tổng hợp các con số này

Chúng tôi đã mở từng số liệu trên trang này tại nguồn gốc vào ngày 6/10/2026, và đây là các nguồn đã dùng:

• Bảng xếp hạng trên GitHub của Vectara, với bộ dữ liệu hiện tại và bộ trước đó
• Trang AA-Omniscience của Artificial Analysis và bài ra mắt tháng 11/2025
• Bài báo, thẻ hệ thống và các trang ra mắt của OpenAI
• AI False Claims Monitor của NewsGuard
• Báo cáo News Integrity của EBU và BBC, và Tow Center của Columbia
• Cơ sở dữ liệu của Damien Charlotin và hồ sơ vụ Mata v. Avianca
• Bài báo của Stanford RegLab và khảo sát của KPMG và University of Melbourne
• Fortune và Associated Press, cho hai sự kiện mà các công ty không tự công bố

Một số số liệu là phép tính của chúng tôi. Trung vị 9.6% và con số 50 mô hình đến từ bảng ngày 22/9/2026 của Vectara. Phép so sánh ghép cặp các mô hình được liệt kê cùng tên trên bảng tháng 10/2025 và tháng 9/2026. Chúng tôi loại mọi tên có hai phiên bản trên bảng cũ hoặc không rõ phiên bản, nên bỏ GPT-4o, DeepSeek R1, DeepSeek V3, Command R Plus và Mistral Large. Llama 3.3 70B được ghép giữa bản Instruct trên bảng cũ và bản Turbo trên bảng mới. Trung vị 49.8% bao gồm 30 cấu hình mà Artificial Analysis hiển thị mặc định, và một số là cùng một mô hình ở hai mức suy luận. Tổng số vụ kiện của năm 2025 và 2026 cộng từ số đếm theo quý của Charlotin.

Chúng tôi bỏ những gì không truy được nguồn. Nhiều trang thống kê lặp lại tuyên bố rằng ảo giác AI gây thiệt hại cho doanh nghiệp $67.4 billion trong năm 2024. Các bản sao chúng tôi tìm thấy đều ghi công cho website AllAboutAI, và chúng tôi không thấy nghiên cứu gốc nào đứng sau. Chúng tôi cũng bỏ hai số liệu duyệt web của OpenAI chỉ xuất hiện dưới dạng nhãn biểu đồ trong thẻ hệ thống GPT-5, vì không thể chắc chắn khớp từng nhãn với mô hình của nó.

Cách trích dẫn thống kê ảo giác AI này

Mọi số liệu trên trang này được dùng tự do khi kèm liên kết về trang này. Một dòng ghi công đơn giản là đủ:

• Nguồn: Whizi Research, "Thống kê ảo giác AI 2026: tỷ lệ của 108 mô hình và vì sao các bài kiểm tra không khớp nhau", whizi.io/resources/ai-hallucination-statistics, cập nhật tháng 10/2026.

Khi trích một tỷ lệ, hãy ghi bài kiểm tra và ngày bên cạnh. Một con số Vectara và một con số AA-Omniscience cho cùng một mô hình có thể chênh nhau gần sáu lần. Các trang thống kê ChatGPT, thị phần chatbot AI, thống kê giá API LLM và thống kê gói đăng ký AI của chúng tôi tuân theo cùng quy tắc về nguồn.