GPT-5 号称在任何领域都有博士级别能力。在医疗健康领域，能够对专业的癌症诊断报告做通俗易懂的解读。对复杂的放射治疗方案决策，也能提供详细的分析报告，帮助病人权衡利弊。一位癌症患者的家属在发布会上表示，“ 真正鼓舞人心的是看着她通过使用 GPT-5 重新获得自主权，病人很容易感到无助，因为知识差距太大了。

但是也有人使用后反馈，GPT-5 “ 变蠢了 ”、“ 没创造力了 ”、“ 不灵动了 ”、“ 回答很干瘪 ”。

实际上，这并不是一个让人意外的结果。

为什么会变成这样？这是不是说明GPT-5能力并没有说的那么强，其实不是，因为 GPT-5 的其中一个特性是幻觉率显著降低，而降低模型幻觉率的一个主要代价就是模型的输出会显得更严谨，更缺少让你意外的回答。

如果我们理解LLM大语言模型的运行原理就能知道GPT-5为什么要这么处理了，大模型生成的内容是概率产物，模型本质意义上是一个条件概率分布的近似器，它的创造力来自于更宽松的概率分布，而当你想让它答案更精准、低幻觉时，它的概率分布必然收紧，这样的收紧减少了有更多创造力的可能。

我们一直在吐槽各家大模型的幻觉率太高并且愈演愈烈，认为这是一种 “ 病 ”，厂商们也使出浑身解数来治这个 “ 病 ”，微调、RAG、MCP 等新 “ 药方 ” 一个接一个。

现在，高幻觉率的问题被一定程度解决，大家又吐槽模型回答的不够好，不够圆润，这就陷入了一种无法打破的死循环

大语言模型理论上不可能完全消除幻觉。还有研究表明，越抑制幻觉，大语言模型的泛化性越差，也就是能够适用的场景越受限，这与业界希望全方位推广 AI 的愿景显然是相悖的。

这其实也反映出，幻觉带来的影响并非永远都是负面的，需要辩证看待。

幻觉是不是幻觉、幻觉的影响是不是负面、幻觉的负面影响有多大，都是相对的，和使用者的能力和需求、场景的特性和需求、使用前后效率对比、现实世界的变化等因素都有关。

一、大模型实际应用中常见的幻觉类型

大模型的 “ 幻觉 ” 指的是 AI 系统生成或推断出与人类经验不符的内容或结论。

这里 “ 人类经验 ” 必须是 “ 正确 ” 的，限于个人认知的差异，所以必须认识到 “ 幻觉 ” 也是相对的。

在大模型应用中，幻觉无法完全避免。

可以将幻觉分为 5 个类别：

语言生成中的幻觉

推理与逻辑错误

过度简化与常识错误

数据错误或无依据推理

时效性错误

语言生成中的幻觉是大模型最常见的一种幻觉，尤其是在内容生成类的应用中。例如在生成代码时，AI 可能会编造 Library 或 API 来完成代码的生成。

大模型还可能在进行逻辑推理时产生错误。例如在使用 Roo Code 插件进行代码生成时，经常遇到指定上下文后，大模型仍然会根据项目中其它上下文做出错误的推理。

关于过度简化与常识错误，AI 虽然能够处理大量信息，但它在应对一些需要深度常识、实际经验的场景时，容易出现过度简化的情况。例如 AI 可能会说 “ 为了快速减肥，可以不吃任何食物 ”，这显然是不科学的。

关于数据错误或无依据推理，在某些场景下，AI 模型可能会基于不完全或者错误的数据生成答案（尤其当训练样本中掺杂大模型生成的幻觉内容时更甚）。例如，在医疗应用中，AI 根据患者的症状生成诊断建议，但如果这些症状与训练数据不匹配，或者训练数据本身存在偏差（如某些相同指标数据指向不同病症，从而需要医生以个人理解进行具体判断的情况），模型就可能给出错误的诊断结果。

最后，幻觉很多时候来源于模型训练时知识和概念在时间上的局限性。

二、大模型的幻觉会在企业应用中带来哪些负面影响与成本损耗

关于幻觉可能产生的 “ 成本损耗 ”，需要代入到具体应用场景分析。

用户差异会带来巨大的成本评估差异。假设生产效率的影响小于大模型应用前的历史效率，总体上并不会产生 “ 成本损耗 ”。

比如。一个行政人员使用 Cursor 生产一个表格信息收集工具，即便生产效率低下错误频出，生产效率仍然可能大于：找产品提需求、找研发开发、找测试评估、找运维部署。因此，Cursor 虽然经常犯错误，仍然有大量用户，因为用户认为 Cursor 的效率是大于自身的。

但若这个场景的用户是研发人员，错误频出带来的效率降低，显著大于：安装依赖、查找文档、编写代码，那么 Cursor 在这个场景大概率会被研发人员抛弃。

所以，成本损耗和效率的影响都是相对的。

进一步看，幻觉的负面影响还可以分为两类：

预测错误，如果“错误”易于识别，则影响的是生产效率；
如果 “ 错误 ” 难以识别（例如预测错误发生在使用者不熟悉的领域），则影响的是应用效果。

三、如何根据幻觉率高低进行产品落地可行性决策

如果大模型的幻觉率过高，特别是在关键决策领域（如医疗、金融、法律等），则这些产品的应用将面临严重的挑战。对于这类应用，企业的目标是尽量减少错误和幻觉，因为一个错误的决策可能导致巨大的财务损失或法律责任。

对于一些风险容忍度较高的应用场景（如内容推荐、广告投放等），企业会接受一定程度的幻觉，毕竟这些应用的目的是提升用户体验和增加商业效益，而不完全是做出精准决策。

通常，企业会设置一个 “ 安全边界 ” 来限定幻觉率，确保在可接受范围内。过高的幻觉率会增加企业的风险和成本，过低的幻觉率则可能意味着模型的复杂度和计算成本过高，导致收益无法覆盖成本。

四、解决LLM大模型幻觉有哪些方法，具体效果怎么样

常用的方案有三种：合适的模型、In-Context-Learning、微调。

首先，海量参数的大模型因为 “ Scaling Law ” 会缓解幻觉出现的概率；其次，借助各种提示词工程和 RAG 等技术，“ In Context Learning ”（在不进行参数更新的情况下，通过在输入中提供示例来学习和完成新任务）被实践证明能够大幅降低幻觉出现的概率；最后，使用 “ 继续训练 ” 的微调技术，在一些场景中可以一定程度降低幻觉。

为缓解语言生成幻觉和过度简化幻觉，一般采用扩大训练样本和模型参数来解决，即采用更合适的模型。

为缓解逻辑推理错误，在 MCP 生态出来后，最火的就是：Sequential Thinking MCP Server，帮助大模型把复杂问题降级为诸多微任务，以期待降低大模型出现幻觉的概率。这属于 In-Context Learning 方法。

缓解数据错误或无依据推理幻觉一般也是采用 In-Context Learning 方法。

为缓解时效性局限带来的幻觉，比如编程领域，现在行业里有很多人在用 Context Server，也就是 MCP 的 Server，当调用 API 时，它能帮我检查这个 API 的最新版本文档和接口参数说明，避免使用了老版本的 API，保证生成代码的准确性，这属于 In-Context Learning 方法。

医疗、金融、法务等行业对精度要求非常高，使用 RAG 最多的就是这些行业。但是，由于 RAG 需要向量存储、检索服务，且会大幅度增加计算成本，某些行业的特定领域使用大模型微调技术，降低 RAG 带来的成本，也能找到成本与效果的平衡点。

对于内容推荐、广告投放等可以容忍一定程度错误的应用场景，AI 的幻觉率可以稍高一些，同时开发成本也会降低。最典型的例子就是 “ mini-gpt ” 开源项目，仅用几个小时训练一个几百兆大小的小模型，就可以很好的生成儿童绘本级别的小故事。

中低精度要求和更低成本的情况下，小尺寸模型也是能接受的，比如 Qwen3-0.6B，In-Context-Learning 可以不使用或简单使用，可以使用少量（数百、千条数据即可）行业优秀的案例数据进行微调，因为基础模型参数量小，微调的成本也不会太高。

但总体而言，微调的效果和风险还是普遍存在。模型通过微调从通用模型过渡到领域特定模型时，是有可能丢失原有的通用知识的。

而对于所谓垂直领域大模型，在我个人实践中发现，由于大部分场景都需要跨领域知识，反而使垂直领域大模型的应用效果受到限制，实际效果和微调技术基本持平。

最近行业里有一些论文在研究怎么让大语言模型实现 Self Learning，也就是说它能在服务过程中对自己的参数进行微调，随着使用不断学习和提升，克服时效性的局限。比如，麻省理工（ MIT ）最近提出的 Self Adapting Language Models（ SEAL ）是一种模型能够 “ 自行学习 ” 的技术：模型通过生成自己的合成训练数据并用于自我更新，迎向 “ 终生学习 ” 之路。但该方法仍存在 “ 灾难性遗忘 ”、计算资源高、学习调度复杂等挑战。

当下，由于大模型的基础框架局限于 Transformer 和 Diffusion，并且在基础框架层面并没有显著的技术突破，上述方案应该在大模型基础框架技术变革前是有效的。

五、垂直领域大模型效果受限，还是垂域模型比通用模型能力更强

垂直领域大模型虽然掌握了行业知识，在特定任务上表现更好，比如在医疗这种病种类目极多、具备极强专业深度的领域。但在复杂推理或跨领域理解上仍显不足，尤其在任务更复杂、数据稀缺时更明显。

如果数据多样性有限而规则复杂，比如材料科学，训练出的模型往往倾向于 “ 记忆 ” 而不是建立泛化机制。只有当数据多样性足够高，才可能促进泛化。

最后，成本与收益不匹配。相比训练一个垂直大模型，微调已有模型 + 机制（如 RAG ）往往更低成本，效果也更稳健。

总体而言，只要是涉及到标准化流程或比较依赖规则、先验的工作，RAG 都会用得比较多。

其实 RAG 有不少局限性，不同行业使用 RAG 的场景需求也不同。

在法律行业，有时候应用中不只涉及法律法规，还包括案例、法律解释、政策等。这就比一般的 RAG 难度高一些，主要是时效性要求高，因为法律是在不断建设中的，各地对法律法规也可能有不同的解释。

在医疗行业，现在大语言模型在时序理解上的局限性，会限制 RAG 应用的效果。当前的 RAG 更多是对概念背后所代表的含义进行理解和解释。但是在医疗行业里，通常要解释的是临床数据和病例。

比如一个病人有一系列的检查、体检数据，包含各项指标在一定时间段比如一年内的变化情况。这些变化的含义不是简单通过 RAG 就能查询出来的。因为它有很大的个体性差异，比如性别、地域、年龄等各种因素的影响，也可能要结合上次检查和这次检查的对比，以及和其他类似患者的的对比。

不像其它领域，比如医疗领域可以直接生成病例、诊断书等，或者法律领域可以生成诉状、裁决书等，金融行业在应用 AI 时，最终产生的结果更多是偏向建议或者辅助性的。因为使用 AI 会产生的一些问题和风险，目前用 RAG 加大语言模型的方式是难以规避的。因此金融行业倾向于更严谨的方式，比如在里面穿插一些传统的机器学习算法，用来对决策背后可能产生的问题和风险进行估计。

六、幻觉缓解的技术路径探索过，关于微调和效果和风险深入了解

对模型做微调，或训练自己的 LoRA。比如轻办公领域，针对用户场景识别和服务推荐场景做微调或 LoRA。但我们发现，等花了半年甚至一年的时间训练并上线后，大语言模型自身更新带来的收益，往往已经超过了我们做这些工作的收益。

通过微调技术调整模型参数的时候，最大的问题在于参数调整可能带来一些无法预期的后果。比如模型本身是无法处理 “ 冲突 ” 的，如果新数据与模型原有知识发生了冲突，经常会发生 “ 正确 ” 的数据遮蔽了 “ 正确 ” 的知识，甚至会导致 “ 灾难性遗忘 ” 的情况发生。“ 灾难性遗忘 ”（ Catastrophic Forgetting，也称 catastrophic interference）是指模型在学习新任务或新知识时，严重遗忘先前所学能力的现象，尤其在顺序训练或持续微调中表现突出。即便是 AI 产品在服务过程中不断更新权重，即 Continual Learning，也只是一种微调，传统微调具备的缺点它都有。

在大型语言模型中，这种现象尤为关键：模型的知识分布式存储于权重中，当在新领域训练时，部分权重被重写，导致模型原有的广泛语言能力或事实知识退化。

在研究中，1B 到 7B 大小的 LLM 在持续微调后普遍出现灾难性遗忘，甚至随着模型规模增大（但仍在这一范围内），遗忘现象反而更严重。

举个例子：一个针对医疗诊断微调的模型，可能会 “ 忘记 ” 基础的数学能力或一般写作能力。这个问题和大语言模型本身的技术特点相关，除非整个大语言模型技术发生本质性的革新，否则短期内这个问题比较难解决。

现在的大语言模型权重参数非常多，而且缺乏可解释性。更新某些权重时，会对哪些权重或者什么情况下的推理产生负面影响，目前很难评估。所以，灾难性遗忘或者权重冲突的具体原因，目前只能通过最终结果的评估来检验。

在实际测试对比下，In-Context Learning、RAG 往往比微调模型具有更好的泛化能力和稳定性。

总体来说，模型微调或者 LoRA 的效果，通常小于 RAG 的效果，因为 RAG 可以去修改数据，灵活性更强。而通过很多论文和行业数据都能看到，RAG 的效果一般又小于 In-Context Learning，因为后者是实时地把必要的知识或辅助信息当做 context 注入模型。

所以，后来我们更倾向于做 RAG、 In-Context Learning 这类优化。而实际上相比之下，目前我们 In-Context Learning 的应用还比较少。

原因在于 In-Context Learning 需要更丰富、结构化且准确的 context，而这些 context 比较难获取。比如现在要帮产品经理写一个新项目的产品文档，来做产品策划。产品的用户定位、功能定义、用户流程、UI 交互等，涉及多个领域。这些领域的知识和内容，要决定哪些需要提炼放入 context，去做 In-Context Learning，实际上有很大挑战。从目前实践效果来看，用工程或编程手段去解决，效果不如用 RAG 好。

但很多服务中，比如用户完成一件事后还会接着做下一件事，也就是当用户有连续性任务时，In-Context Learning 的应用门槛会相对低一些，因为可以知道用户当前场景变化和上一件事情的结果。