根據 Artificial Analysis 的 AA-Omniscience 指標，大型語言模型（LLM）在知識可靠度方面存在顯著差異。該評估不僅關注模型的準確率，更著重於其在面對高難度知識題時的「幻覺」程度，即錯誤作答且未選擇不作答的情況。Omniscience Index 以懲罰幻覺的方式衡量模型的可靠性，顯示模型規模與知識可靠度並非完全正相關。
在全知指數上，Claude 4.1 Opus 因其較低的幻覺率而領先。相較之下，GPT-5.1 和 Grok 4 則更多依靠較高的準確率來提升排名，但由於它們在不確定情況下更傾向於「冒險作答」，因此在知識可靠度方面略遜一籌。值得注意的是，各模型在不同領域的表現各異，沒有一款模型能夠在所有領域都表現出色。例如，Claude 4.1 Opus 在法律、軟體工程以及人文社科等領域表現較為穩定。
儘管模型規模與準確率之間存在正相關，但模型在不確定時是否選擇不作答是決定其可靠性的關鍵因素。企業在選擇 AI 模型時，應更加注重模型的事實可靠度、幻覺率以及拒答行為，並根據具體應用領域進行選擇。
This is a simplified version of the page. Some interactive features are only available in the full version.
本頁為精簡版，部分互動功能僅限完整版使用。
👉 View Full Version | 前往完整版內容