OpenAI 新推理模型幻觉加剧：o3 翻倍，o4-mini 近半回答瞎编

大家都在盼着新模型越来越聪明、错得越来越少。按常理，模型每迭代一代，幻觉率多少都会降一点。

但 OpenAI 刚拿出来的 o3 和 o4-mini，把这个规律给打破了。这两款新推理模型虽然在数学和写代码上刷出了新高，但在说瞎话这件事上，也比老模型能编得多。

更让人捏把汗的是，OpenAI 自己在技术报告里承认，他们其实还没搞懂这到底是怎么回事。

越能推理，越爱满嘴跑火车

根据 OpenAI 自己的内部测试，o3 和 o4-mini 的幻觉发生频率，不仅明显高于之前的推理模型 o1、o1-mini 和 o3-mini，甚至比普通的非推理模型 GPT-4o 还要高。

在 OpenAI 用来测人物事实准确度的内部基准 PersonQA 上，o3 回答问题时的幻觉率达到了 33%。

相比之下，上一代的 o1 和 o3-mini 在这项测试里的幻觉率分别只有 16% 和 14.8%。换句话说，o3 编造人物信息的概率差不多翻了一倍。

体量更小的 o4-mini 更夸张，在 PersonQA 上的幻觉率直接飙到了 48%，几乎两道题里就有一道在胡诌。

OpenAI 在技术报告里给出的解释是，新模型整体上表达的观点更多了。它们在数学和编程这类任务里表现确实更好，但也正是因为说的陈述多了，准确的事实和胡编乱造的话一起增加了。

连自己怎么算出来的都敢编

除了官方测试，第三方的测试也抓到了不少离谱细节。

非营利 AI 研究机构 Transluce 测试发现，o3 甚至会虚构自己的推理动作。比如它在回答里一本正经地说，自己是在一台 2021 款 MacBook Pro 上「脱离 ChatGPT 运行了代码」，然后把算出来的数字复制进了答案。但事实上，o3 根本没这个权限。

Transluce 研究员、前 OpenAI 员工 Neil Chowdhury 分析，o 系列模型使用的强化学习训练方式，可能会把传统后训练流程本已压制住的问题重新放大。

斯坦福兼职教授兼 Workera 首席执行官 Kian Katanforoosh 也提到，他们团队把 o3 用在编程工作流里，编码能力确实压倒对手，但 o3 非常喜欢给根本点不开的坏死网页链接。

OpenAI 发言人 Niko Felix 对此回应称，解决所有模型的幻觉问题仍是一个持续的研究领域，他们正在努力提升准确度和可靠性。

为什么重要

我们认为，这一步暴露了强化学习推理路线的巨大隐患。过去一年，整个行业都在转向推理模型，试图靠思考过程突破传统预训练的瓶颈，但现在看起来，这种「脑内推理」很可能把模型变成了一个极度自信的骗子。

对于开发者和企业来说，o3 和 o4-mini 显然不适合直接扔到严谨的业务场景里。写代码时它可以是极强的辅助，因为代码跑不通可以直接报错拦截；但如果是法律审查、医疗咨询或者客户服务，哪怕准确率再高，高达 33% 甚至 48% 的幻觉率也会让企业根本不敢用。

OpenAI 提到接上联网搜索的 GPT-4o 在 SimpleQA 上的准确率能达到 90%，这说明外挂检索工具可能是目前唯一的退烧药。但如果模型内部的强化学习机制本身就在放大幻觉，光靠打补丁远远不够。行业如果搞不清楚推理和幻觉的底层关系，盲目推高推理算力，很可能会把模型推向更不可控的边缘。