DeepSeek-R1超高幻覺率解析：為何大模型總“胡說八道”？
來源：騰訊科技
DeepSeek系列模型在很多方面的表現(xiàn)都很出色，但“幻覺”問題依然是它面臨的一大挑戰(zhàn)。
在VectaraHHEM人工智能幻覺測試（行業(yè)權(quán)威測試，通過檢測語言模型生成內(nèi)容是否與原始證據(jù)一致，從而評估模型的幻覺率，幫助優(yōu)化和選擇模型）中，DeepSeek-R1顯示出14.3%的幻覺率。
圖：李維出門問問大模型團(tuán)隊(duì)前工程副總裁、Netbase前首席科學(xué)家
1.大模型為什么會(huì)“產(chǎn)生幻覺”？
這是大模型的經(jīng)典問題。其實(shí)大模型就像一個(gè)“超級接話茬兒高手”，你給它上半句，它就根據(jù)自己學(xué)過的海量知識，預(yù)測下半句該說什么。它學(xué)東西就像人腦記東西一樣，不可能每個(gè)字都記得清清楚楚，它會(huì)進(jìn)行壓縮和泛化，抓大意、找規(guī)律。
打個(gè)比方，你問它“姚明有多高”，它大概率不會(huì)錯(cuò)，因?yàn)檫@知識點(diǎn)很突出，它能記得牢。但你要是問“隔壁老王有多高”，它可能就懵了，因?yàn)樗鼪]見過老王。
但是它的設(shè)計(jì)原理又決定了，它必須要接茬兒，這時(shí)候，它就自動(dòng)“腦補(bǔ)”，根據(jù)“一般人有多高”這個(gè)學(xué)到的概念，編一個(gè)數(shù)出來，這就是“幻覺”。
那么，幻覺是如何產(chǎn)生的呢？
幻覺的本質(zhì)是補(bǔ)白，是腦補(bǔ)。
“白”就是某個(gè)具體事實(shí)，如果這個(gè)事實(shí)在訓(xùn)練數(shù)據(jù)中沒有足夠的信息冗余度，模型就記不住（零散事實(shí)等價(jià)于噪音）。記不住就用幻覺去補(bǔ)白，編造細(xì)節(jié)。
幻覺絕不是沒有束縛的任意編造，大模型是概率模型，束縛就是條件概率中的前文條件。幻覺選擇的虛假事實(shí)需要與補(bǔ)白所要求的value（價(jià)值）類型匹配，即符合ontology/taxonomy（本體/分類法）的相應(yīng)的上位節(jié)點(diǎn)概念。“張三”可以幻覺為“李四”，但不大可能幻覺成“石頭”。
文藝?yán)碚撝杏袀(gè)說法，叫藝術(shù)真實(shí)。所謂藝術(shù)真實(shí)是說，文藝創(chuàng)作雖然可能背離了這個(gè)世界的事實(shí)，但卻是可能的數(shù)字世界的合理想象。大模型的幻覺就屬于此類情況。
大模型的知識學(xué)習(xí)過程（訓(xùn)練階段），是一種信息壓縮過程；大模型回答問題，就是一個(gè)信息解碼過程（推理階段）。好比升維了又降維。一個(gè)事實(shí)冗余度不夠就被泛化為一個(gè)上位概念的slot，到了生成階段這個(gè)slot必須具像化補(bǔ)白。
“張三”這個(gè)事實(shí)忘了，但“human”這個(gè)slot的約束還在。補(bǔ)白就找最合理、與slot概念最一致的一個(gè)實(shí)體，于是“李四”或“王五”的幻覺就可以平替“張三”。小說家就是這么工作的，人物和故事都是編造的。無論作家自己還是讀者，都不覺得這是在說謊，不過所追求的真善美是在另一個(gè)層面。
大模型也是如此，大模型是天生的藝術(shù)家，不是死記硬背的數(shù)據(jù)庫。“張冠李戴”、“指鹿為馬”等在大模型的幻覺里非常自然，因?yàn)閺埡屠钍窍嗨频模R和鹿也在同一條延長線上。在泛化和壓縮的意義上二者是等價(jià)的。
但是，某種程度上，幻覺就是想象力（褒貶不論），也就是創(chuàng)意！你想想，人類那些偉大的文學(xué)作品、藝術(shù)作品，哪個(gè)不是天馬行空、充滿想象？要是什么事情都得跟現(xiàn)實(shí)一模一樣，藝術(shù)就成了照相機(jī)了，那還有什么意思？
就像赫拉利在《人類簡史》里說的，人類之所以能成為地球霸主，就是因?yàn)槲覀儠?huì)“講故事”，會(huì)創(chuàng)造出神話、宗教、國家、貨幣這些現(xiàn)實(shí)中不存在的東西。這些都是“幻覺”，但它們卻是文明誕生和發(fā)展的原動(dòng)力。2.DeepSeek-R1的幻覺問題 到底有多嚴(yán)重？
它的幻覺問題很嚴(yán)重。此前學(xué)界普遍認(rèn)同OpenAI的說法，推理增強(qiáng)會(huì)明顯減少幻覺。我曾與大模型公司的一位負(fù)責(zé)人討論，他就特別強(qiáng)調(diào)推理對減少幻覺的積極作用。
但R1的表現(xiàn)卻給出了一個(gè)相反的結(jié)果。
根據(jù)Vectara的測試，R1的幻覺率確實(shí)比V3高不少，R1的幻覺率14.3%，顯著高于其前身V3的3.9%。這跟它加強(qiáng)了的“思維鏈”（CoT）和創(chuàng)造力直接相關(guān)。R1在推理、寫詩、寫小說方面，確實(shí)很厲害，但隨之而來的“副作用”就是幻覺也多了。
具體到R1，幻覺增加主要有以下幾個(gè)原因：
首先，幻覺標(biāo)準(zhǔn)測試用的是摘要任務(wù)，我們知道摘要能力在基座大模型階段就已經(jīng)相當(dāng)成熟了。在這種情況下，強(qiáng)化反而可能產(chǎn)生反效果，就像用大炮打蚊子，用力過猛反而增加了幻覺和編造的可能。
其次，R1的長思維鏈強(qiáng)化學(xué)習(xí)并未針對摘要、翻譯、新聞寫作這類相對簡單而對于事實(shí)要求很嚴(yán)格的任務(wù)做特別優(yōu)化，而是試圖對所有任務(wù)增加各種層面的思考。
從它透明的思維鏈輸出可以看到，即便面對一個(gè)簡單的指令，它也會(huì)不厭其煩地從不同角度理解和延伸。過猶不及，這些簡單任務(wù)的復(fù)雜化會(huì)引導(dǎo)結(jié)果偏離發(fā)揮，增加幻覺。
另外，DeepSeek-R1在文科類任務(wù)的強(qiáng)化學(xué)習(xí)訓(xùn)練過程中，可能對模型的創(chuàng)造性給予了更多的獎(jiǎng)勵(lì)，導(dǎo)致模型在生成內(nèi)容時(shí)更具創(chuàng)造性，也更容易偏離事實(shí)。
我們知道，對于數(shù)學(xué)和代碼，R1的監(jiān)督信號來自于這些題目的黃金標(biāo)準(zhǔn)（習(xí)題集中的標(biāo)準(zhǔn)答案或代碼的測試案例）。他們對于文科類任務(wù)，利用的是V3或V3的獎(jiǎng)勵(lì)模型來判定好壞，顯然目前的系統(tǒng)偏好是鼓勵(lì)創(chuàng)造性。
另外，用戶更多的反饋還是鼓勵(lì)和欣賞見到的創(chuàng)造力，一般人對于幻覺的覺察并不敏感，尤其是大模型絲滑順暢，識別幻覺就更加困難。對于多數(shù)一線開發(fā)者，用戶的這類反饋容易促使他們更加向加強(qiáng)創(chuàng)造力方向努力，而不是對付大模型領(lǐng)域最頭痛的問題之一“幻覺”。
具體從技術(shù)角度來說，R1會(huì)為用戶的簡單指令自動(dòng)增加很長的思維鏈，等于是把一個(gè)簡單明確的任務(wù)復(fù)雜化了。
一個(gè)簡單的指令，它也反復(fù)從不同角度理解和衍伸（CoT思維鏈好比“小九九”，就是一個(gè)實(shí)體遵從指令時(shí)的內(nèi)心獨(dú)白）。思維鏈改變了自回歸概率模型生成answer前的條件部分，自然會(huì)影響最終輸出。
它與V3模型的區(qū)別如下：
V3:query--〉answer
R1:query+CoT--〉answer對于V3已經(jīng)能很好完成的任務(wù)，比如摘要或翻譯，任何思維鏈的長篇引導(dǎo)都可能帶來偏離或發(fā)揮的傾向，這就為幻覺提供了溫床。3.大模型幻覺主要出現(xiàn)在哪些領(lǐng)域？
如果把R1的能力分成“文科”和“理科”來看，它在數(shù)學(xué)、代碼這些“理科”方面，邏輯性很強(qiáng)，幻覺相對少。
但在語言創(chuàng)作領(lǐng)域，尤其是現(xiàn)在被測試的摘要任務(wù)上，幻覺問題就明顯得多。這更多是R1語言創(chuàng)造力爆棚帶來的副作用。
比起o1，R1最令人驚艷的成就是成功將數(shù)學(xué)和代碼的推理能力充分延伸到了語言創(chuàng)作領(lǐng)域，尤其在中文能力方面表現(xiàn)出色。網(wǎng)上流傳著無數(shù)的R1精彩華章。舞文弄墨方面，它顯然超過了99%的人類，文學(xué)系研究生、甚至國學(xué)教授也贊不絕口。
但你看，讓它做個(gè)摘要，本來是很簡單的任務(wù)，但它非得給你“發(fā)揮”一下，結(jié)果就容易“編”出一些原文里沒有的東西。前面說了，這是它“文科”太強(qiáng)了，有點(diǎn)“用力過猛”。
這里就不得不聊一聊推理能力增強(qiáng)和幻覺之間的微妙關(guān)系。
它們并不是簡單的正相關(guān)或負(fù)相關(guān)。GPT系列的推理模型o1的HHEM分?jǐn)?shù)的平均值和中位數(shù)低于其通用模型GPT-4o（見下圖）。可是當(dāng)我們對比R1和它的基座模型V3時(shí)，又發(fā)現(xiàn)增加推理強(qiáng)化后幻覺確實(shí)顯著增加了。
圖：GPT-o1和4o的HHEM分?jǐn)?shù)統(tǒng)計(jì)，HHEM分?jǐn)?shù)越低幻覺越低
比起基座模型，o1降低了幻覺，R1增加了幻覺，這可能是R1在文科思維鏈方面用力過猛。
作為追隨者，R1把數(shù)學(xué)和代碼上的CoT賦能成功轉(zhuǎn)移到語言文字創(chuàng)作上，但一不小心，副作用也顯現(xiàn)了。R1特別喜歡“發(fā)散思維”，你給它一個(gè)簡單的指令，它能想出一大堆東西來，思維鏈能繞地球三圈。
這似乎說明R1在強(qiáng)化創(chuàng)造力的過程中，不可避免地增加了創(chuàng)造力的伴生品：幻覺。
語言能力其實(shí)可以細(xì)分為兩類：一類需要高創(chuàng)造力，比如寫詩歌、小說；另一類需要高度真實(shí)性，比如新聞報(bào)道、翻譯或摘要。R1最受稱贊的是前者，這也可能是研發(fā)團(tuán)隊(duì)的重點(diǎn)方向，但在后者中就出現(xiàn)了副作用。
這讓我想到中國古人說的"信達(dá)雅"，自古難全。為"雅"犧牲"信"的例子我們見得很多，文學(xué)創(chuàng)作中夸張的修辭手法就是重要手段和例證。為"信"犧牲"雅"也有先例，比如魯迅先生推崇的"硬譯"。
有趣的是，我們?nèi)祟愒谶@方面其實(shí)一直是雙標(biāo)的，但我們心里有個(gè)可以隨時(shí)切換的開關(guān)。看小說和電影時(shí)，我們把開關(guān)偏向創(chuàng)造性一側(cè)，完全不會(huì)去糾結(jié)細(xì)節(jié)是否真實(shí)；但一旦切換到新聞?lì)l道，我們就對虛假內(nèi)容零容忍。4.一個(gè)終極難題：如何能讓大模型既有創(chuàng)造力又少出幻覺？
人對于邏輯看起來清晰自洽、且詳細(xì)的內(nèi)容，就會(huì)傾向于相信。很多人在驚艷R1創(chuàng)造力的同時(shí)，現(xiàn)在開始慢慢注意到這個(gè)幻覺現(xiàn)象并開始警惕了。但更多人還是沉浸在它給我們帶來的創(chuàng)造性的驚艷中，需要增強(qiáng)大眾對模型幻覺的意識。可以“兩手抓”：
保持警惕：大模型說的話，特別是涉及到事實(shí)的，別全信，最容易產(chǎn)生幻覺的地方是人名、地名、時(shí)間、地點(diǎn)等實(shí)體或數(shù)據(jù)，一定要特別小心。
交叉驗(yàn)證：重要的細(xì)節(jié)，可上網(wǎng)查查原始資料或詢問身邊專家，看看說法是不是一致。
引導(dǎo)模型：你可以在提問的時(shí)候，加一些限定條件，比如“請務(wù)必忠于原文”、“請核對事實(shí)”等等，這樣可以引導(dǎo)模型減少幻覺。
Search（聯(lián)網(wǎng)搜索）：對于用戶，很多問題，尤其是新聞時(shí)事方面，除了DeepThink按鈕（按下就進(jìn)入了R1慢思維mode），別忘了按下另一個(gè)按鈕Search。
加上聯(lián)網(wǎng)search后，會(huì)有效減少幻覺。search這類所謂RAG（retrievalaugmentedgeneration）等于是個(gè)外加數(shù)據(jù)庫，增加的數(shù)據(jù)幫助彌補(bǔ)模型本身對于細(xì)節(jié)的無知。
享受創(chuàng)意：如果你需要的是靈感、創(chuàng)意，那大模型的幻覺，會(huì)給你帶來驚喜。
不妨把大模型的幻覺，看成是“平行世界的可能性”。就像小說家寫小說，雖然是虛構(gòu)的，也是一種“藝術(shù)真實(shí)”。源于生活，高于生活。大模型是源于數(shù)據(jù)，高于數(shù)據(jù)。大模型壓縮的是知識體系和常識，不是一個(gè)個(gè)事實(shí)，后者是數(shù)據(jù)庫的對象。
大模型的幻覺，其實(shí)就是它“腦補(bǔ)”出來的，但它“腦補(bǔ)”的依據(jù)，是它學(xué)到的海量知識和規(guī)律。所以，它的幻覺，往往不是亂來的，有“內(nèi)在的合理性”，這才絲滑無縫，假話說的跟真的似的，但同時(shí)也更具有迷惑性。初接觸大模型的朋友，需要特別小心，不能輕信。
對于普通用戶來說，理解幻覺的特點(diǎn)很重要。比如問"長江多長"這類有足夠信息冗余的百科知識問題，大模型不會(huì)出錯(cuò)，這些事實(shí)是刻在模型參數(shù)里的。但如果問一個(gè)不知名的小河或虛構(gòu)河流的長度，模型就會(huì)啟動(dòng)"合理補(bǔ)白"機(jī)制編造。
可以說，人類的語言本身就是幻覺的溫床。
語言使得人類創(chuàng)造了神話、宗教、國家、公司、貨幣等非真實(shí)實(shí)體的概念，以及理想、信念等形而上的意識形態(tài)。赫拉利在《人類簡史》中強(qiáng)調(diào)了幻覺對于文明的根本作用：語言的產(chǎn)生賦能了人類幻覺（“講故事”）的能力。幻覺是文明的催化劑。人類是唯一的會(huì)“說謊”的實(shí)體--除了LLM外。
未來有沒有什么辦法，能讓大模型既有創(chuàng)造力，又少出幻覺呢？
這絕對是AI大模型領(lǐng)域的“終極難題”之一！現(xiàn)在大家都在想辦法，比如：
更精細(xì)地訓(xùn)練：在訓(xùn)練的時(shí)候，就對不同類型的任務(wù)區(qū)別對待，讓模型知道什么時(shí)候該“老實(shí)”，什么時(shí)候可以“放飛”。
針對任務(wù)做偏好微調(diào)（finetune）and/or強(qiáng)化（rl）可以減緩這個(gè)矛盾。摘要、改寫、翻譯、報(bào)道這種任務(wù)需要特別小心和平衡，因?yàn)樗扔幸稽c(diǎn)再創(chuàng)造的需求（例如文風(fēng)），又是本性需要內(nèi)容忠實(shí)的。
具體說，R1訓(xùn)練pipeline是四個(gè)過程，微調(diào)1，強(qiáng)化1，微調(diào)2，強(qiáng)化2。強(qiáng)化2主要是與人類偏好對齊的強(qiáng)化。這個(gè)過程在創(chuàng)造力與忠實(shí)方面，目前看來傾斜于前者，后去可以再做平衡。也許更重要的是在階段三的微調(diào)2中，針對不同任務(wù)加強(qiáng)約束，例如，增加摘要的監(jiān)督數(shù)據(jù)，引導(dǎo)忠實(shí)平實(shí)的結(jié)果。
Routing（路徑）：以后可能會(huì)有一個(gè)“調(diào)度員”，根據(jù)任務(wù)的類型，安排不同的模型來處理。比如，簡單任務(wù)交給V3或調(diào)用工具，慢思考的復(fù)雜任務(wù)交給R1。
例如，識別出算術(shù)任務(wù)，就去寫個(gè)簡單代碼運(yùn)算，等價(jià)于調(diào)用計(jì)算器。目前不是這樣，我昨天測試一個(gè)九位數(shù)的乘法，R1思考了三分多鐘，思維鏈打印出來可以鋪開來一條街，步步分解推理。雖然最后答案是對了，但算術(shù)問題用耗費(fèi)太大的所謂testtimecompute（模型測試計(jì)算資源）的思維鏈（CoT），而不用functioncall（調(diào)用函數(shù)），完全不合理。一行計(jì)算代碼就搞定的事，沒必要消耗如此多的計(jì)算資源和tokens去做顯式推理。
這些都是可以預(yù)見的Routing（實(shí)現(xiàn)路徑），尤其是在agent時(shí)代。R1CoT不必包打一切，而且除了幻覺問題，也會(huì)浪費(fèi)資源、不環(huán)保。