近期，OpenAI 发布了一篇新论文《 Why Language Models Hallucinate 》，指出当前大模型幻觉的主要 来源，引发了广泛关注。 OpenAI 拿自家模型举了一个例子，在 SimpleQA 基准中，旧模型 o4-mini 相比新模型 GPT-5-thinking- mini 准确率略高（ 22% vs. 24% ），但也有高得多的错误率（ 75% vs. 26% ），因为它更少 " 弃答 "。 OpenAI据此主张：在往后的评估基准中，应对高自信的错误施以惩罚，并为恰当的不确定表达给出适 当分数，使激励从 " 大胆猜 " 转向 " 知之为知之 "，改变主流排行榜长期以 " 准确率 " 一项称王的局 面。 可以说，这篇研究是在把 " 幻觉 " 从工程缺陷转化为技术社区的 " 激励设计 " 问题。 如果真的往这个方向发展，以后真正值得关注的，将不再是谁的准确率小幅上涨，而是谁愿意重写评测 与产品规则，让模型在不确定时自然地说：" 我不知道 "。 他们给出了一个简洁却颠覆性的解释：大模型之所以出现幻觉，并非由于模型架构的失灵，而是当前技 术社区的训练与评测机制倾向于奖励猜测，并且惩罚承认 ...