2026年AI幻覺統計：108個模型的幻覺率，以及各項測試為何互相矛盾

AI模型會在1.8%至24.2%的摘要中加入沒有依據的說法，答不出來的困難問題更有高達96.5%會亂猜錯

以下每一項AI幻覺統計，我們都在2026年10月6日回到原始來源查證。中位數與配對模型的數量，是我們根據Vectara公布的表格自行計算的。

這張圖呈現的是 AA-Omniscience 在2026年10月6日於Artificial Analysis上的結果，每個模型都採用該站列出的最高推理設定。橫軸是6,000道困難問題的正確率，縱軸是幻覺率：模型沒答對的問題中，有多少比例是給了錯誤答案，而不是承認自己不知道。Anthropic的Claude Fable 5.1知道得最多，正確率達67.2%，但答錯的題目裡仍有72.6%給出了假答案。Google的Gemini 4 Argon答對的比較少，只有49.9%，幻覺率卻只有15.1%，因為它拒答的次數多得多。知道答案和亂猜是兩種不同的能力。

各模型的AI幻覺率是多少？

在 Vectara的排行榜 上，各模型的AI幻覺率從Ant Group Finix S1 32B的1.8%，到Mistral的Ministral 3 3B的24.2%，中位數模型為9.6%。Vectara給每個模型同一組超過7,700篇文章，再計算模型的摘要有多少次寫出了文章沒有說的內容。沒有任何模型的分數是零。

這裡每一列都來自Vectara 2026年9月22日的榜單，全部108個模型的完整清單 則放在Vectara的GitHub頁面上。同一家實驗室的小模型，在這項測試上往往比旗艦模型更好：OpenAI的GPT-5.4 nano是3.1%，GPT-5.6 Sol卻是12.4%。新的也不一定比較低。Anthropic的Claude Opus 4.7是12.0%，比較舊的Claude Sonnet 4.6還高。Vectara也坦白說明這項測試做不到什麼：它的FAQ承認，如果模型直接照抄文章裡的句子，就能拿到滿分。

同一個模型可能有三個差很多的數字。OpenAI在2026年9月3日發表的GPT-6 Astra頁面，內部基準測試是4.2%。Vectara測出來是8.7%，Artificial Analysis則依推理設定不同，給出44.8%至51.3%。三個數字都沒有錯，只是各自問的問題不一樣。

為什麼AI幻覺基準測試的結果彼此不一致？

AI幻覺基準測試之所以不一致，是因為每一項測的失誤類型不同、任務不同，分母也不同。引用數字之前，先讀懂它的定義。

OpenAI的研究人員在2025年9月指出，模型的評分方式讓這個問題更嚴重。他們的文章 寫道：「標準的訓練與評估程序獎勵猜測，而不是承認不確定。」他們用來佐證的SimpleQA數字相當驚人。OpenAI較舊的o4-mini答對24%、答錯75%，只拒答了1%。較新的gpt-5-thinking-mini答對22%，但拒答52%，答錯只有26%。在只計算答對題數的計分板上，亂猜的模型反而勝出。

這就是為什麼模型不存在單一的「幻覺率」。想看兩家實驗室的意見不一致，可以在 並排比較檢視 中，把同一個問題送給Whizi 280+個模型裡的兩個；至於後續怎麼查證答案，請看 AI為什麼會出錯。

AI幻覺率會隨時間下降嗎？

在任何一項固定的測試上，AI幻覺率大多是下降的。但測試本身越來越難，所以模型變好時，標題數字仍可能上升。Vectara的排行榜清楚呈現了第二種效應。

2025年10月到2026年9月之間，Vectara把資料集換成超過7,700篇文章，有些長達24,000字，並把評審從HHEM-2.1換成HHEM-2.3。我們把兩份榜單上名稱相同的44個模型配對，並排除舊榜單中同名出現兩個版本的名稱。其中39個在新測試上分數變差，4個變好，DeepSeek V3.1沒有變動。這44個模型的中位數從4.1%升到7.95%，而每個模型的版本都和之前一樣。

OpenAI的GPT-5在高推理強度下跳幅最大，從1.4%升到15.1%。所以同一個排行榜上2025年的數字和2026年的數字，不能當成趨勢來讀。引用數字時，請一併寫明日期與資料集。

OpenAI自己的數據大多往下走，但有一次反轉。它在2025年4月的系統卡顯示，o3在PersonQA問題上有33%出現幻覺，是較舊的o1（16%）的兩倍，o4-mini則是48%。2025年8月，OpenAI表示啟用思考的GPT-5出現事實錯誤的機率，比o3低約80%。2026年9月，GPT-6 Astra頁面把該模型列為4.2%，GPT-5.6 Sol則是12.2%。系統卡說明，這項測試使用的是使用者標記過的對話，所以數值遠高於一般日常使用的情況。

發表時的數字本身也變動過。Fortune在2026年9月4日報導，OpenAI在頁面上線後，把Astra與GPT-5.6 Sol的數字改成2%和9.4%，之後又換回原先顯示的4.2%與12.2%。OpenAI告訴Fortune，這些修改是為了確保數字是它的最佳估計。

獨立稽核的結果則是兩個方向都有。NewsGuard 發現，2025年8月聊天機器人重複不實新聞說法的比例為35%，高於一年前的18%，同時它們的拒答率從31%降到零。該機構2026年1月的稽核把比例定在28%以上。BBC自己的比較則往另一個方向走：有重大問題的回答比例，從第一次研究的51%，降到EBU在2025年10月公布的那一輪的37%。

Artificial Analysis在2025年11月發現，在它的困難問題上，除了三個模型之外，其他模型產生幻覺的機率都高於答對的機率。到了2026年10月，它預設顯示的30種前沿設定中，仍有15種對超過一半答不出來的問題給出錯誤答案。中位數是49.8%。

AI助理回答新聞問題的錯誤率有多高？

在2025年10月21日發表的 EBU與BBC研究 中，AI助理對45%的新聞問題給出了有重大瑕疵的回答。這項研究由18個國家的22家公共廣播機構執行，EBU稱之為同類評估中規模最大的之一。

記者審查了ChatGPT、Copilot、Gemini與Perplexity在14種語言下的2,709個回答。出處是問題最多的地方：31%的回答有嚴重的出處問題，例如缺少出處、出處錯誤或標錯來源。五個回答中就有一個有重大的準確性問題，包括捏造或過時的細節。Google的Gemini表現最差，76%的回答有重大問題，其後是Copilot的37%、ChatGPT的36%與Perplexity的30%。

哥倫比亞大學的Tow Center用八個AI搜尋工具跑了1,600次查詢，要求每個工具指出某段引文出自哪篇文章。根據 2025年3月的報告，這些工具在超過60%的查詢中給出錯誤答案。Perplexity錯了37%，xAI的Grok 3則錯了94%。

AI幻覺在現實中造成多少代價？

最明顯的代價出現在法庭上。2026年10月6日，Damien Charlotin的資料庫 列出了2,149件法院處理AI捏造內容的判決，其中1,473件在美國。

多數案件涉及沒有律師代理的人：1,233筆記錄列有自行訴訟的當事人。律師有854筆，法官有33筆。Charlotin的資料顯示，2025年全年有852件判決，2026年1月到9月就有1,208件，今年已經超越去年。在文件中有指名工具的案例裡，235件中有139件出現ChatGPT。以美元標示的192筆處罰中，有六筆達到 $50,000 以上。

第一個出名的案例，付出的代價其實不高。在Mata v. Avianca一案中，紐約一名聯邦法官於2023年6月22日對兩名律師和他們的事務所處以 $5,000 罰款，因為他們引用了六項ChatGPT捏造的法院判決。

付費的法律工具有幫助，但沒有根治問題。Stanford RegLab的預先註冊測試 於2024年5月發表，發現LexisNexis與Thomson Reuters的AI研究工具，各有17%至33%的時候產生幻覺。

顧問公司也不例外。美聯社報導，Deloitte澳洲分公司在2025年10月同意退還一份 A$440,000 政府合約的最後一期款項。雪梨大學一名研究人員發現，其237頁的報告中有多達20處錯誤，包括一段捏造的聯邦法院判決引文。修訂後的報告揭露，該報告使用Azure OpenAI撰寫。

在職場上，代價比較不顯眼。KPMG與墨爾本大學在2025年4月發表的調查，訪問了47個國家共48,000人，其中66%使用AI的員工表示，他們會直接採用AI的輸出而不加評估。另有56%表示，他們曾因為AI而在工作上出錯。

我們如何整理這些數字

本頁每一項數字，我們都在2026年10月6日回到原始來源查證，使用的來源如下：

• Vectara的GitHub排行榜，包括目前與前一版資料集
• Artificial Analysis的AA-Omniscience頁面與2025年11月的發表文章
• OpenAI的論文、系統卡與發表頁面
• NewsGuard的AI False Claims Monitor
• EBU與BBC的News Integrity報告，以及哥倫比亞大學的Tow Center
• Damien Charlotin的資料庫與Mata v. Avianca的案件卷宗
• Stanford RegLab的論文，以及KPMG與墨爾本大學的調查
• Fortune與美聯社，用於兩起各家公司自己沒有公布的事件

有些數字是我們自己計算的。9.6%的中位數與50個模型的數量，來自Vectara 2026年9月22日的表格。配對比較是把2025年10月與2026年9月兩份榜單上名稱相同的模型配成一組。舊榜單上有兩個版本、或沒有明確版本的名稱，我們都排除了，因此GPT-4o、DeepSeek R1、DeepSeek V3、Command R Plus與Mistral Large沒有納入。Llama 3.3 70B則是以舊榜單的Instruct版本與新榜單的Turbo版本配對。49.8%的中位數涵蓋Artificial Analysis預設顯示的30種設定，其中有些是同一個模型的兩種推理設定。2025年與2026年的法院判決總數，是把Charlotin的季度統計加總而來。

我們捨棄了無法追溯來源的說法。許多統計頁面都重複一個說法：AI幻覺在2024年造成企業損失 $67.4 billion。我們找到的複本都標註來源為AllAboutAI網站，卻找不到背後的原始研究。我們也沒有採用OpenAI的兩個瀏覽數字，因為它們只以圖表標籤的形式出現在GPT-5系統卡中，我們無法有把握地把每個標籤對應到正確的模型。

如何引用這些AI幻覺統計

本頁每一項數字都可以自由使用，只要附上回到本頁的連結。一行簡單的出處說明就夠了：

• 來源：Whizi Research，「2026年AI幻覺統計：108個模型的幻覺率，以及各項測試為何互相矛盾」，whizi.io/resources/ai-hallucination-statistics，2026年10月更新。

引用幻覺率時，請把基準測試與日期寫在旁邊。同一個模型在Vectara與AA-Omniscience上的數字，可能相差近六倍。我們的 ChatGPT統計、AI聊天機器人市占率、LLM API定價統計 與 AI訂閱統計 頁面，都遵循同樣的來源規則。