为什么 AI 写不出准确的数字和日期

为什么 AI 写不出准确的数字和日期

让模型算「三万七千乘以百分之十三」，它给出的数你得自己验一遍。让它推「下个月第二个星期二」，它经常差一天。这不是它偷懒，是它处理数字的方式和我们不一样。

数字和日期，是这类模型最不可靠的地方。知道为什么不可靠，才知道哪一步该自己接手。

它处理数字的方式

模型把文字切成小片段，一个片段是一个字、两个字的词，或者半个词。数字被切开的方式尤其糟糕：37 是一个片段，37,000 是别的几个，写成三万七千又是另一组。同样的数值，在它眼里是三种不同的东西。

它做事的方式是按见过的模式接下去，不是执行运算。它见过无数道「12 加 15 等于 27」，所以答得出来。碰到没见过的组合，它靠语感拼一个看起来合理的数。合理不等于正确，这就是问题所在。

语言模型的设计目标是预测下一个片段，不是求值。训练时也没有任何机制告诉它「这一位算错了」。它从海量文本里学到的，是数字出现的搭配习惯，不是运算法则。

三类常见的数字错误

算术类

位数多的乘法、带小数的百分比、多步的加减，错误率高。它会在中间步骤里把数字写错一位，或者干脆漏掉一个进位。三位数以内的加减乘多数能对，超过这个范围就要警惕。

还有一类是「看起来算过了」。它会写出一段很详细的推导过程，每一步的格式都对，中间某个数悄悄变了。对照着看很难发现，因为推导本身读起来是连贯的。

单位换算也在这类里。英寸转厘米、坪转平方米、加仑转升，它记得换算系数，但记的系数时常偏一点。含两步换算的题，错得更频繁。

日期类

日期推算是重灾区。它要同时处理月份天数、闰年规则、星期换算，每一步都要精确。任何一步偏差，结果就错了。

「从 3 月 15 日开始算第 90 天是哪天」，这类问题它经常给出一个差一两天的答案。它知道大致的算法，也知道大致的结果范围，精确到某一天，靠的是记忆里的相似题目，不是真的数日子。

跨年的日期更容易出岔子。要它算「距离某个截止日还有多少个工作日」，它会把节假日算进去，也会把周末算成工作日。这类计算背后要查日历，凭记忆做不了。

统计与口径类

这类错误更隐蔽。你问某个行业去年的市场规模，它给一个数，还带单位。这个数也许来自三年前的报告，也许是某篇文章里的估算，也许是好几个来源混在一起的平均。它不会告诉你这个数的口径是什么、统计范围包含哪些、什么时候发布的。

即使数字本身是真的，口径不对也会得出错误结论。营收和流水、出货量和装机量、注册用户和活跃用户，这些概念在语料里经常被混着写，模型也跟着混。

日期为什么特别容易错

语言里的日期表达本身带歧义。「下周三」在不同地区指不同的日子，有的算本周的第一天，有的算下一周。「月底」是 28 号还是 31 号，看月份。「半个月」是 15 天还是 14 天，看习惯。

模型没有「今天」这个锚点。它不知道现在是几点，除非上下文里写了。有些产品会把当前时间塞进系统提示，有些不会。没有锚点的时候，它推算出的日期是相对某个模糊参照的，参照本身就错，结果自然错。

还有一层是训练数据里的日期在过期。「明年」「下季度」「今年上半年」这些词，在原文写作时指向一个具体区间，抽出来单独看就失去了指向。模型读到大量这类相对表达，学到的是一种模糊的时间感，而不是日历。

谈到星期和节假日的推算，错误集中度最高。原因很直白：星期几取决于具体年份，同一句「10 月 1 日是星期几」，在不同年份答案不同。语料里各种年份的答案混在一起，模型抽到的往往是别的年份的答案。

语料里的数字本身就不干净

同一组数据被反复转载，每次转载都可能抄错一位。错的版本也会被大量引用，形成规模。模型学到的是出现频次高的那个版本，未必是正确的那个。

营销材料里的数字天然偏大。增长率、覆盖率、用户数，写作者有动机往有利的方向取整。这类数字在语料里占比不低，模型学到的是这种漂亮的整数风格，于是给出来的数常常圆得太刚好。

工具调用改变了什么

现在很多产品给模型配了计算器、代码执行、联网检索。碰到数字，它可以调用工具算，而不是凭感觉答。这条路能把算术错误压到很低，前提是它真的调了工具，并且把参数传对了。

实际使用中会发现两种情况。一种是它明确说「我算一下」，然后给出正确结果；一种是它直接给答案，没有调工具。判断办法是看界面有没有调用提示，或者直接要求它用计算器算，不要口算。

日期也是同理。有些产品内置了日期计算能力，有些没有。没有的时候，它给出的日期推算一律按可疑处理。

工具调用还有一层隐患：参数传错。你给的数据里带千分位逗号，它把逗号当成小数点；你给的日期是「10/11」，它按美式习惯读成 10 月 11 日，而你要的是 11 月 10 日。工具算得再准，输入错了结果还是错。

还有一层容易被忽略：过程中的四舍五入。一条报价算下来带小数，它在中途就抹成整数，后面几步基于整数继续推，误差被放大。做报价、做用料估算时，要求它保留两位小数到最后一步再抹零。

用的时候怎么防

要求它给出算式

让它把每一步写出来，不只是给结果。这样你能对着算式核一遍，错在哪一步一眼看得出。它写不出算式的时候，说明它在猜，答案直接不用。

关键数字自己算

涉及钱、涉及工期、涉及合规期限的计算，自己按一遍。用手机计算器三十秒的事，比事后返工便宜。表格类的工作，让它输出公式而不是结果，公式贴进表格自己算。

要来源不要答案

问市场规模、增长率这类数据，让它给出处。给不出出处的数字，当成参考量级用，别当事实用。能给出处的，顺着查一遍，看口径对不对、年份是哪年。

把日期换成具体值

不要问「下个月什么时候」，直接写「2026 年 11 月 15 日之前」。相对表述改绝对表述，歧义就消失了。要它推算日期时，把今天的日期一起写进提示，让它有锚点。

一个务实的判断

文字部分可以信，数字部分要核。这个分工在实际工作里最省事。让它写结构、写措辞、写框架，数字留空或者用占位符，自己填。

需要它处理成批的数字时，改用表格工具或者代码，让它生成处理逻辑，数据交给程序跑。人读逻辑，机器算数，各做擅长的事。

模型在数字上的短板，短期内不会消失。它的强项在语言，不在精确计算。认清这条边界，用起来就不会踩坑。

顺带提一句表格。让它把数据整理成表格时，数字的对齐、单位、小数位数容易乱，同一列里混进百分比和绝对数。要求它统一格式并给出单位，比事后逐格改省事。