哪一款人工智能最可信？为什么对LLM来讲坦承无知比已读乱回更难？

人工智能模型评比平台Artificial Analysis指出，多数LLM其实「猜错比答对多」，而Claude 4.1 Opus因较低幻觉率领先。

哪一款人工智能最可信？

重点1、依据AA‑Omniscience 显示，多数大型语言模型在高困难程度常识题上「猜错比答对多」，仅三款例外；核心指标Omniscience Index 以惩罚幻觉衡量靠谱度。

重点2、在全知指数上，Claude 4.1 Opus因较低幻觉率领先；GPT‑5.1与Grok 4则多靠较高准确率。

重点3、各模型在不同范围表现不一，没「一款通吃」。比如Claude 4.1 Opus在法律、软体工程、人文社科较稳

先进人工智能 大模型虽然愈加强，但最近一份报告指出，在「少幻觉、敢承认不了解」这件事上，仍然是不及格。

第三方人工智能 模型评比平台Artificial Analysis 于11 月18 日公布全新基准「AA‑Omniscience（全知指标）」指出，在面对高困难程度常识题时，目前主流大型语言模型（LLMs）「猜错比答对多」，仅有三款模型例外。

该测评以「Omniscience Index（全知指数）」为核心，使用加权惩罚幻觉（错误作答）的办法：答对加一分、错误且有作答扣一分、选择不作答记零分，从而衡量「常识靠谱度」，而非仅看正确率。

团队强调，模型的嵌入常识对真实世界应用至关要紧；在常识不足时，模型易做出错误假设。且即使有工具如互联网搜索辅助，模型也须「先了解该搜什么」。比如，遇见「MCP」查看时，不应错把「Multi Client Persistence」当答案，而应辨识为「Model Context Protocol（模型上下文协定）」。

低幻觉的Claude vs. 高正确率的Grok／GPT

Artificial Analysis 指出，在整体「事实靠谱度」（Omniscience Index）排名上，Anthropic 的Claude 4.1 Opus 居首，其优势主要来自「低幻觉率」。相较之下，Open人工智能 与x人工智能 的模型则以较高「正确率」拉升名次，但因更倾向在不确定时「冒险作答」，而非「不懂就闭嘴」，因此靠谱度未达顶尖水准。

纯以「正确率」衡量时，x人工智能 的Grok 4 居首，Open人工智能 的GPT‑5 与谷歌 的Gemini 2.5 Pro 紧随。 Artificial Analysis 也提及伊隆·埃隆马斯克最近披露Grok 4「总参数达3 兆」，暗示大模型规模与前练习算力可能是支撑其正确率表现的原因。

这张图把每一个人工智能 放在一个座标上。横轴是「Omniscience Index」，越往右代表越靠谱、越少幻觉；纵轴是「Accuracy」（准确率），越往上代表越常答对。图/Artificial Analysis

值得注意的是，在「幻觉率」榜单上，Anthropic 三款机型包办最低幻觉率前段班：Claude 4.5 Haiku 以约26% 领先，Claude 4.5 Sonnet 与Claude 4.1 Opus 分列其后。这也呼应测评核心看法：高常识并不势必等于低幻觉；能否在不确定时「选择不作答」是靠谱度的重点。

常识量不等于靠谱度！ 人工智能 懂更多，却未必说得对

Artificial Analysis 团队在报告中指出，AA‑Omniscience 涵盖6,000 题、42 主题、6 大范围（商业、人文与社会科学、健康、法律、软体工程、工程与数学），并细分89 子题（如Python 资料函式库、公共政策、税务等），更细致地刻画各模型的强弱。

结果显示：各模型在不同范围轮流领先，并无「全能王」。比如，Claude 4.1 Opus 在法律、软体工程、人文社科领先；Open人工智能 的GPT‑5.1 在商业题表现最可信；x人工智能 的Grok 4 则在健康与「科学、工程与数学」范围居前。

这张热力图把每个人工智能 在六个范围的「靠谱度分数」做横向比较。每一列是范围（法律、健康、商业、软体工程、人文社科、理工），每一栏是一个模型。颜色已做「该范围内」的规范化：在同一列里，最好的模型显示为绿色，最差的是红色，中间就落在黄橘色。图/Artificial Analysis

另一个发现是，模型规模与正确率正有关，但不势必提高靠谱度。

白话说，模型越大，代表常识量越多，所以在「正确率」排名表现亮眼；但因为「靠谱度」看的是遇见不确定时是否会硬答、导致幻觉。因此，像Kimi K2 Thinking和DeepSeek R1（0528）虽然答对比率高，遇见不熟的题目仍可能胡乱作答，拉低了「全知指数」。

反过来讲，Llama 3.1 405B虽不是最大的，但更了解在不确定时不作答，幻觉率较低，整体「靠谱度」因此胜过规模更大的Kimi K2 款式。

结论：使用人工智能 的建议，也是「诚实为上」

总结来讲，AA‑Omniscience 的证据显示：能在不确定时停手、减少幻觉的模型，才在真实场景更靠谱；仅看准确率，会把「会猜」误觉得「会答」。因此，选择模型时，应以事实靠谱度、幻觉率与拒答行为为核心准则，并依范围差异做选择。

最后，模型规模与准确率虽有正有关，但并不直接减少幻觉；缩减幻觉更依靠练习与校准机制。基于此，企业在落地常识密集型任务时，应优先使用「校准佳、想在不确定时拒答」的模型。