> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/zh/2025-nian/w37llm-de-huan-jue-he-bu-que-ding-xing.md).

# W37-LLM 的幻觉和不确定性

上周有两篇重要的文章，分别来自 OpenAI 和 Thinking Machines 的研究成果。前者解释了大模型为什么有幻觉，后者验证了大模型不确定性的根因。有很多反共识的观点，绝对的增量知识。

第一篇是来自 OpenAI 的[Why language models hallucinate](https://openai.com/index/why-language-models-hallucinate/)。TLDR，可以直接看最后的Conclusions部分。

反常识的结论：提升模型准确率不能完全消除幻觉，因为现实世界很多问题是没有确定答案的。但幻觉是完全可以避免的，允许大模型弃答，回答“不知道”。现在的大模型幻觉高就是因为评估和度量的选择性错误，训练不能只看准确率，要同时看错误率、弃答率与置信校准度。

结合看到的一篇产品架构设计的文章，[A PM's Guide to AI Agent Architecture: Why Capability Doesn't Equal Adoption](https://substack.com/home/post/p-172725542)，从用户信任角度给出了架构层面的幻觉控制。一个反直觉的结论是，在不确定处示弱比自信犯错更能提升采用。当模型不确定时，承认不确定弃权与透明解释，比自信地胡猜更能建立长期信任。作者强调“信任层”：置信度提示、推理透明、确认/许可模式、优雅边界与人工升级。

我自己有一个可能不太准确的理解，当前大模型的倾向是“低精确率，高召回率”，要避免幻觉、增加用户信任，应该让其向“高精确率，低召回率”的奖励模型训练。换句话讲，先把“说对”的比例做稳，再扩张“敢说”的范围。

第二篇是来自Thinking Machines 的[Defeating Nondeterminism in LLM Inference](https://thinkingmachines.ai/blog/defeating-nondeterminism-in-llm-inference/)。这是这家公司年初成立后公开的第一项工作成果，据说Q4会有重大技术成果的发布，也是硅谷最后一家有广泛期待的模型公司。

对 LLM 推理的不确定性，主流观点认为来自 GPU 的多内核的并发(concurrent) 和原子加法(atomic adds)，这篇文章说在典型的 LLM 前向传播中，根本不存在任何原子加法。不确定性的根本原因是内核对批次(batch)的大小/切分方式不敏感，缺乏批次不变性(kernel batch-invariant)。一旦把关键算子（RMSNorm、MatMul、Attention）改造成批次不变，就能让同一输入在任意并发负载下得到完全一致的输出。

Thinking Machines 用 Qwen3 做了实验验证。prompt 为 “Tell me about Richard Feynman”，temperature 设置为 0，每次生成 1000 token，共采样 1000 次。最终 1000 次生成内容完成一致，有一些性能劣化。

对于大模型应用的实际意义，AI 给了我以下答案。

1. 对于微调和多轮对话策略改进来讲，这是把“策略改进是否有效”从玄学变成工程的关键一步；
2. 零温（temperature=0）下的答案一致，能极大降低用户“同问不同答”的不信任感，特别是在问答、搜索重写、生成推荐语、客服自动回复、风控解释等需要“确定表述”的链路；
3. 能够“给出同一输入即得到同一输出”的承诺，这在需要“稳定—可解释—可审计”的金融、医疗、政企等强合规场景，是可追溯与责任界定的基础。