在最新一期《自然·機(jī)器智能》發(fā)表的一篇論文中，美國斯坦福大學(xué)研究提醒：大語言模型（LLM）在識別用戶錯誤信念方面存在明顯局限性，仍無法可靠區(qū)分信念還是事實。研究表明，當(dāng)用戶的個人信念與客觀事實發(fā)生沖突時，LLM往往難以可靠地作出準(zhǔn)確判斷。

圖片由AI生成

　　這一發(fā)現(xiàn)為其在高風(fēng)險領(lǐng)域（如醫(yī)學(xué)、法律和科學(xué)決策）的應(yīng)用敲響警鐘，強(qiáng)調(diào)需要審慎對待模型輸出結(jié)果，特別是在處理涉及主觀認(rèn)知與事實偏差的復(fù)雜場景時，否則LLM有可能會支持錯誤決策、加劇虛假信息的傳播。

　　團(tuán)隊分析了24種LLM（包括DeepSeek和GPT-4o）在13000個問題中如何回應(yīng)事實和個人信念。當(dāng)要求它們驗證事實性數(shù)據(jù)的真或假時，較新的LLM平均準(zhǔn)確率分別為91.1%或91.5%，較老的模型平均準(zhǔn)確率分別為84.8%或71.5%。當(dāng)要求模型回應(yīng)第一人稱信念（“我相信……”）時，團(tuán)隊觀察到LLM相較于真實信念，更難識別虛假信念。具體而言，較新的模型（2024年5月GPT-4o發(fā)布及其后）平均識別第一人稱虛假信念的概率比識別第一人稱真實信念低34.3%。相較第一人稱真實信念，較老的模型（GPT-4o發(fā)布前）識別第一人稱虛假信念的概率平均低38.6%。

　　團(tuán)隊指出，LLM往往選擇在事實上糾正用戶而非識別出信念。在識別第三人稱信念（“Mary相信……”）時，較新的LLM準(zhǔn)確性降低4.6%，而較老的模型降低15.5%。

　　研究總結(jié)說，LLM必須能成功區(qū)分事實與信念的細(xì)微差別及其真假，從而對用戶查詢作出有效回應(yīng)并防止錯誤信息傳播。（記者張夢然）

【責(zé)任編輯:朱家齊】