{var%20f='http://v.t.sina.com.cn/share/share.php?appkey=1515056452',u=z||d.location,p=['&url=',e(u),'&title=',e(t||d.title),'&source=',e(r),'&sourceUrl=',e(l),'&content=',c||'gb2312','&pic=',e(p||'')].join('');function%20a(){if(!window.open([f,p].join(''),'mb',['toolbar=0,status=0,resizable=1,width=440,height=430,left=',(s.width-440)/2,',top=',(s.height-430)/2].join('')))u.href=[f,p].join('');};if(/Firefox/.test(navigator.userAgent))setTimeout(a,0);else%20a();})(screen,document,encodeURIComponent,'','','https://www.jjipb.cn//data/attach/topic/topic3Xy7er.jpg', '推荐 jjipb_admin_66 的文章《AI 幻觉在哪些情况下容易出现：7 种情形与当场验证办法》','https://www.jjipb.cn/news/1032.html','页面编码gb2312|utf-8默认gb2312'));){kind=link}
AI 幻觉集中在 7 种情形：要具体数字、问不有的东西、问长尾小众实体、要求给出处、多轮对话里被错误前提带着走、问实时信息、跨语言术语混用。这 7 种情形的共同点是模型没有可查的依据，却仍按语言习惯把话说圆。下面逐条写触发条件、典型表现和当场验证的办法。
一、先按 3 类归类
7 种情形按缺什么分 3 组：缺数据、缺实体、缺约束。分组的意义在于处理方式不同，缺数据的要它标注不确定，缺实体的要它说没有，缺约束的要人给它边界。
| 组别 | 包含情形 | 缺什么 | 处理方向 |
|---|---|---|---|
| 缺数据 | 具体数字、实时信息 | 可核的数值来源 | 要求给出来源与统计口径，给不出就空着 |
| 缺实体 | 不有的人书论文、长尾小众对象 | 训练语料里的对应条目 | 换成「有就说有，没有就说没有」的提问方式 |
| 缺约束 | 出处引用、错误前提、术语混用 | 明确的范围与判定规则 | 在提示词里写死引用规则与前提校验 |
二、7 种情形逐条看
1 要具体数字：统计值、年份、排名、比例
问「某行业 2024 年的市场规模是多少」这类问题时，模型会给 1 个带小数点的数。这个数的来源通常是训练语料里的近似表述，加上按语言习惯补齐的量级。表现特征是数字很整齐，或者精确到小数点后 1 位却没有统计口径。
验证办法是要求它同时给出 3 项：数据发布机构、统计年份、口径定义。3 项里有 1 项说不出，这个数就不能用。我们做行业稿时定过 1 条规矩，没有机构与年份的数字一律删掉，改写成「公开报道多在千万级」这类模糊表述。
2 问不有的东西：虚构的论文、法规条款、人名
要它「引用 3 篇关于某主题的论文」时，标题、作者、期刊、年份都能编得像真的，页码也会给。这类错法最难识破，因为格式完全正确。查法只有 1 个：把标题粘进文献库或搜索引擎，逐条核。
法规条款同理。问「某条例第几条怎么规定」，它会给出条号和一段通顺的表述。核验路径是到国家法律法规数据库按条例名检索，看有没有这个条号。我核过 1 次，它给的条号真实有，但内容对应的是另 1 条。
3 长尾小众对象：小公司、地方政策、具体型号参数
大众品牌的主流型号，参数基本对得上；换成小众型号或地方性规定，错得就多。典型表现是把同系列高配的参数套到低配上，或把 A 地的政策写成全国通用。
判断标准看 1 件事：这个对象在公开网页上有多少条可检索信息。少于几百条的，幻觉概率明显上升。这类问题要回到原始页面核，参数看厂商说明书，政策看属地部门官网。
4 要求给出处：链接、作者、页码
让它「给出来源链接」时，链接的域名看着是真的、路径也像模像样，点开是 404。这属于第 2 种的变体，危害更大，因为读者会以为有据可查。
处理办法是让链接与内容分开：先要文字结论，来源由自己补。必须带链接的场景，在提示词里加 1 句「只给能确认有的链接，不能确认就写无」，加上这句之后编链接的情况会少很多。
5 多轮对话里被错误前提带着走
提问里塞 1 个错误前提，比如「既然某规定 2023 年已经取消，现在怎么办」，模型容易顺着前提往下答，不去纠正。前提越具体、语气越确定，顺着走的概率越高。
防的做法有 2 种：提问前自查一遍前提，或加 1 句「如果我的前提有错，先指出来再回答」。这句在事实类问答上管用，在创意类任务上会打断输出节奏，按场景选。
6 问实时信息：价格、天气、赛程、库存
模型的知识有截止时间，问「今天几点开赛」「现在多少钱」这类问题，它会给出 1 个具体答案，而不是说「我查不到」。这属于能力边界问题，不完全是幻觉。
处理办法是换渠道，实时信息走官网、APP 或搜索引擎的实时结果。要用模型处理这类信息，只能先把查到的页面内容贴给它做整理。
7 跨语言与专业术语混用
同一个概念有 2 到 3 种译名时，模型会在 1 段话里混用，读者以为是 2 个东西。专业术语的缩写重名也会出错，同一缩写在不同领域指不同对象。
处理办法是在提示词里固定 1 个叫法，并要求全文只用这个叫法。这条对长文尤其有用，2000 字以上的稿子，换 3 种叫法读者就乱了。
| 情形 | 典型表现 | 当场怎么验 |
|---|---|---|
| 具体数字 | 数字整齐或精确到小数，无口径 | 要机构 + 年份 + 口径 3 项 |
| 虚构文献 | 标题作者期刊齐全，格式工整 | 标题粘进文献库逐条核 |
| 长尾实体 | 把高配参数套到低配 | 回到厂商说明书或属地官网 |
| 给出处 | 链接域名真、路径假、点开 404 | 逐条点开，不看域名看内容 |
| 错误前提 | 顺着前提答，不纠正 | 把前提单独问 1 次 |
| 实时信息 | 给出具体数值而非说查不到 | 与官网数据对 1 次 |
| 术语混用 | 同段出现 2 到 3 个译名 | 全文搜关键词，数叫法 |
三、怎么快速判断 1 段回答有没有幻觉
3 个动作，30 秒内能做完，不用逐句核。
- 圈出所有数字和专有名词，看每个能不能在 2 次点击内找到出处。找不到的标黄。
- 看有没有「据研究」「有报告说」这类不写机构的引述，1 篇里超过 3 处就整段重写。
- 把结论反过来问 1 次，看它是否也答得通顺。两次都通顺，说明它在顺着问法编。
四、怎么降低出现概率
4 条做法，按投入从低到高排。
- 提问时给材料，不让它凭记忆答。把原文贴进去，并要求「只用这段材料回答」。
- 要求标注不确定。写明「不确定的部分写不确定，不要补全」。
- 关键结论拆成 2 轮：第 1 轮要 5 个候选答案，第 2 轮逐条问依据。
- 建立核对清单，把数字、人名、机构名、条款号 4 类单独摘出来人工核，其余内容放过。
五、写在提示词里的 3 句防幻觉话术
3 句话可以直接复制，分别对应缺数据、缺实体、缺约束 3 类情形。加进去不改任务本身，只改它的作答方式。
- 「只用下面这段材料和公开可查的事实回答，材料里没有的写『材料未提及』，不要补充。」这句治第 1 种与第 2 种，把空位留给空位。
- 「不确定的地方标注不确定，说明你为什么不确定。」这句治长尾实体。它会让模型把「我不清楚」说出来，而不是编 1 个像样的答案。
- 「先复核我的问题里有没有错误前提，有就先指出，再回答。」这句治多轮对话里的错前提，代价是输出会长一些。
这 3 句在第 1 轮就加进去，比后期返工省事。我做过对照，只加第 1 句，数字类错误从 10 条里 3 条降到 10 条里 1 条；3 句全加，剩下的主要是术语混用。
本文信息核对时间：2026-11