2026年AI幻觉率统计：108个模型的数据，以及各项测试为何互相矛盾

AI模型在1.8%至24.2%的摘要中加入没有依据的内容，对答不出的难题最多有96.5%会猜错

下面每一项AI幻觉统计，我们都在2026年10月6日回到原始来源核对过。中位数和匹配模型的数量，是我们对Vectara公布的表格自行计算的结果。

这张图展示的是 AA-Omniscience 在2026年10月6日由Artificial Analysis公布的结果，每个模型取其列出的最高推理档位。横轴是6,000道难题的正确率。纵轴是幻觉率：模型没答对的题目中，给出错误答案而不是说不知道的比例。Anthropic的Claude Fable 5.1知道得最多，正确率67.2%，但它答不对的题里仍有72.6%给出了虚假答案。Google的Gemini 4 Argon答对的更少，只有49.9%，幻觉率却只有15.1%，因为它拒答的次数多得多。知道和乱猜是两种不同的能力。

各模型的AI幻觉率是多少？

在 Vectara的排行榜 上，各模型的AI幻觉率从Ant Group的Finix S1 32B的1.8%，到Mistral的Ministral 3 3B的24.2%，中位数模型为9.6%。Vectara给每个模型同一组7,700多篇文章，统计其摘要里有多少内容是文章没有说过的。没有一个模型的得分为零。

这里每一行都来自Vectara 2026年9月22日的榜单，全部108个模型的完整列表 在Vectara的GitHub页面上。同一厂商的小模型在这项测试中往往比旗舰模型更好：OpenAI的GPT-5.4 nano得分3.1%，而GPT-5.6 Sol是12.4%。更新的模型也不一定更低。Anthropic的Claude Opus 4.7是12.0%，高于更早的Claude Sonnet 4.6。Vectara也坦率说明了测试的局限。它的FAQ承认，一个直接照抄文章句子的模型会得到满分。

同一个模型可以有三个相差很大的数字。OpenAI在2026年9月3日发布的GPT-6 Astra页面，在内部基准上给出4.2%。Vectara测得8.7%，Artificial Analysis则根据推理档位不同给出44.8%至51.3%。三个数字都没错，只是各自回答的问题不同。

为什么各项AI幻觉基准测试结果互相矛盾？

AI幻觉基准测试互相矛盾，是因为每一项测的是不同的失误、不同的任务，分母也不同。引用数字之前，先读清楚它的定义。

OpenAI的研究人员在2025年9月提出，模型的评分方式让这个问题更严重。他们的文章 写道："standard training and evaluation procedures reward guessing over acknowledging uncertainty."他们用来说明这一点的SimpleQA数字相当惊人。OpenAI较早的o4-mini答对24%，答错75%，只拒答了1%。较新的gpt-5-thinking-mini答对22%，但拒答52%，只答错26%。在只计算答对数量的计分板上，乱猜的模型会赢。

所以不存在某个模型唯一的"幻觉率"。想看两家厂商如何产生分歧的读者，可以在Whizi 280+个模型中挑两个，用并排对比视图发送同一个问题，而为什么AI会出错则讲了如何核查随后得到的答案。

AI幻觉率随时间在下降吗？

在任何一项固定的测试上，AI幻觉率大体都在下降。但测试本身越来越难，所以模型变好的同时，头条数字也可能上升。Vectara的排行榜清楚地显示了后一种效应。

2025年10月到2026年9月之间，Vectara把数据集换成了7,700多篇文章，有些长达24,000字，并把评判模型从HHEM-2.1换成了HHEM-2.3。我们匹配了两份榜单上名称相同的44个模型，并排除了旧榜单上有两个版本的名称。其中39个在新测试中得分变差，4个变好，DeepSeek V3.1没有变化。这44个模型的中位数从4.1%升到7.95%，而每个模型的发布版本都和之前一样。

OpenAI的GPT-5在高推理强度下涨幅最大，从1.4%升到15.1%。所以同一个排行榜上2025年和2026年的数字，不能当作趋势来读。引用数字时要同时写明日期和数据集。

OpenAI自己公布的数字大多是下降的，只有一次反转。它2025年4月的系统卡显示，o3在PersonQA问题上的幻觉率是33%，是更早的o1的16%的两倍，o4-mini则是48%。2025年8月，OpenAI表示带思考的GPT-5出现事实错误的可能性比o3低约80%。2026年9月，它的GPT-6 Astra页面给出该模型的数字为4.2%，GPT-5.6 Sol为12.2%。系统卡说明，这项测试使用的是用户标记过的对话，所以它的比率远高于人们日常使用中遇到的水平。

发布时的数字本身也变过。Fortune在2026年9月4日报道，页面上线后OpenAI把Astra和GPT-5.6 Sol的数字改成了2%和9.4%，随后又换回最初显示的4.2%和12.2%。OpenAI对Fortune表示，这些修改是为了确保数字是其最佳估计。

独立审计则两个方向都有。NewsGuard 发现，2025年8月聊天机器人有35%的时候在复述虚假新闻说法，高于一年前的18%，同期拒答率从31%降到零。其2026年1月的审计把这个比率定在28%以上。BBC自己的对比则相反：有严重问题的回答从首次研究中的51%，降到EBU在2025年10月公布的那一轮中的37%。

Artificial Analysis在2025年11月发现，在它的难题上，除三个模型外，所有模型出现幻觉的可能性都高于答对的可能性。到2026年10月，它默认展示的30个前沿配置中，仍有15个对一半以上答不对的题给出错误答案。中位数是49.8%。

AI助手在新闻上出错的频率有多高？

在2025年10月21日发布的 EBU和BBC研究 中，AI助手对45%的新闻问题给出了有严重缺陷的回答，该研究由18个国家的22家公共广播机构开展。EBU称它是同类评估中规模最大的之一。

记者审阅了ChatGPT、Copilot、Gemini和Perplexity在14种语言中的2,709个回答。出问题最多的是来源。31%的回答存在严重的来源问题，例如来源缺失、错误或归属有误。五分之一的回答有重大准确性问题，包括虚构或过时的细节。Google的Gemini表现最差，76%的回答有严重问题。Copilot为37%，ChatGPT为36%，Perplexity为30%。

哥伦比亚大学的Tow Center用八个AI搜索工具跑了1,600条查询，要求每个工具说出一句引文出自哪篇文章。根据2025年3月的报道，这些工具对超过60%的查询给出了错误答案。Perplexity错了37%。xAI的Grok 3错了94%。

AI幻觉在现实中要付出什么代价？

最清楚的代价出现在法庭上。2026年10月6日，Damien Charlotin的数据库 收录了2,149份法院处理AI虚构内容的判决，其中1,473份在美国。

大多数涉及没有律师的当事人：1,233条记录列出了自行出庭的当事人。律师有854条，法官有33条。Charlotin的数据显示，2025年全年有852份判决，2026年1月至9月就有1,208份，所以今年已经超过去年。在文件点明所用工具的235个案例中，ChatGPT出现在139个里。在以美元注明的192项处罚中，有六项达到或超过$50,000。

第一个出名的案例定下的价格很低。在Mata v. Avianca案中，纽约一名联邦法官于2023年6月22日对两名律师及其律所罚款$5,000。他们引用了ChatGPT编造的六份法院判决。

付费的法律工具有所帮助，但没有解决问题。Stanford RegLab的预注册测试 发布于2024年5月，发现LexisNexis和Thomson Reuters的AI研究工具各自有17%至33%的时候出现幻觉。

咨询公司也不例外。据美联社报道，Deloitte澳大利亚于2025年10月同意退还一份A$440,000政府合同的最后一期款项。悉尼大学的一名研究人员在其237页的报告中发现了多达20处错误，包括一句编造的联邦法院判决引文。修订后的报告披露，写作中使用了Azure OpenAI。

在工作中，代价更隐蔽。在KPMG和墨尔本大学2025年4月发布的一项覆盖47个国家48,000人的调查中，66%使用AI的员工表示，他们不经评估就依赖AI的输出。还有56%表示，自己曾因AI在工作中出过错。

我们如何整理这些数字

本页的每个数字，我们都在2026年10月6日回到原始来源核对过，使用的来源如下：

• Vectara的GitHub排行榜，包括当前和之前的数据集
• Artificial Analysis的AA-Omniscience页面及其2025年11月的发布文章
• OpenAI的论文、系统卡和发布页面
• NewsGuard的AI False Claims Monitor
• EBU和BBC的News Integrity报告，以及哥伦比亚大学的Tow Center
• Damien Charlotin的数据库和Mata v. Avianca案卷
• Stanford RegLab的论文，以及KPMG和墨尔本大学的调查
• Fortune和美联社，用于两起企业自己没有公布的事件

有些数字是我们自己计算的。9.6%的中位数和50个模型的数量，来自Vectara 2026年9月22日的表格。匹配对比把2025年10月和2026年9月两份榜单上名称相同的模型配成对。我们排除了在旧榜单上有两个版本或版本不明确的名称，因此GPT-4o、DeepSeek R1、DeepSeek V3、Command R Plus和Mistral Large被剔除。Llama 3.3 70B是把旧榜单上的Instruct版本和新榜单上的Turbo版本匹配起来的。49.8%的中位数涵盖Artificial Analysis默认展示的30个配置，其中有些是同一个模型的两种推理档位。2025年和2026年的法院总数，是把Charlotin的季度计数加总得出的。

我们舍弃了无法追溯的内容。许多统计页面都在重复一个说法：AI幻觉在2024年给企业造成了$67.4 billion的损失。我们找到的这些转载都把出处归于AllAboutAI网站，而我们没有找到背后的原始研究。我们也舍弃了两个OpenAI的浏览相关数字，它们只出现在GPT-5系统卡的图表标签里，我们无法有把握地把每个标签对应到具体的模型。

如何引用这些AI幻觉率统计

本页的每个数字都可以免费使用，只要附上指向本页的链接。一行简单的出处说明就够了：

• 来源：Whizi Research，"2026年AI幻觉率统计：108个模型的数据，以及各项测试为何互相矛盾"，whizi.io/resources/ai-hallucination-statistics，2026年10月更新。

引用某个比率时，请把基准测试和日期写在旁边。同一个模型的Vectara数字和AA-Omniscience数字可以相差近六倍。我们的 ChatGPT统计、AI聊天机器人市场份额、LLM API定价统计 和 AI订阅统计 页面遵循同样的来源规则。