近期，人工智能領(lǐng)域的一項新研究引發(fā)了廣泛關(guān)注。Giskard團隊在其官方博客上發(fā)布了一項重要發(fā)現(xiàn)，揭示了AI模型在簡潔回答要求下，事實性表現(xiàn)會受到顯著影響。這一發(fā)現(xiàn)對于AI技術(shù)的實際應用具有重要意義。

研究表明，當AI模型被要求用更短的篇幅回答問題，特別是面對模糊主題時，其產(chǎn)生錯誤信息的傾向會大幅增加。Giskard團隊指出，簡單的系統(tǒng)指令調(diào)整就能顯著改變模型產(chǎn)生“幻覺”的概率。這一現(xiàn)象在許多實際應用中尤為關(guān)鍵，因為為了提高響應速度和降低成本，系統(tǒng)往往傾向于選擇簡潔的輸出結(jié)果。

所謂“幻覺”，一直是人工智能領(lǐng)域難以攻克的問題。即便是最先進的AI模型，有時也會編造虛假信息。值得注意的是，一些新型推理模型，如OpenAI的o3，其“幻覺”現(xiàn)象甚至更為嚴重，這極大地降低了輸出結(jié)果的可信度。在Giskard的研究中，包括GPT-4o（ChatGPT的默認模型）、Mistral Large和Anthropic的Claude 3.7 Sonnet在內(nèi)的多個領(lǐng)先模型，在面臨簡潔回答的要求時，其事實準確性均有所下降。

Giskard團隊推測，當模型被要求不詳細回答時，它們沒有足夠的“余地”去指出錯誤的提示詞。換句話說，強有力的反駁通常需要更長的解釋。因此，當模型被迫保持簡潔時，它們往往會選擇簡潔而非準確性。這一發(fā)現(xiàn)對開發(fā)者來說尤為重要，因為看似無害的系統(tǒng)提示詞，如“簡潔明了”，可能會削弱模型反駁錯誤信息的能力。

Giskard的研究還揭示了一些其他有趣的現(xiàn)象。例如，當用戶自信地提出有爭議的主張時，模型更不愿意進行反駁。用戶表示更喜歡的模型并不一定是最真實的。這一發(fā)現(xiàn)進一步強調(diào)了用戶體驗優(yōu)化與事實準確性之間的矛盾，尤其是在用戶期望包含錯誤前提時。

Giskard團隊的研究人員指出，盡管優(yōu)化用戶體驗是提升系統(tǒng)吸引力的重要因素，但有時候這種優(yōu)化可能會以犧牲事實準確性為代價。這提醒我們在實際應用AI技術(shù)時，需要更加謹慎地權(quán)衡用戶體驗與事實準確性之間的關(guān)系，以確保AI技術(shù)的可靠性和可信度。