就在刚刚，OpenAI决定——重组ChatGPT“个性”研究团队！这个约14人的小组，规模虽小但责任重大——他们要负责让GPT模型知道该怎么和人类进行交互。根据内部消息，模型行为团队（Model Behavior team）将直接并入后训练团队（Post-Training team），并向后训练负责人Max Schwarzer汇报。
团队前负责人Joanne Jang，从头开始新的实验室“OAI Labs”——为人类与AI的协作方式，发明并构建新的交互界面原型。
与此同时，OpenAI还非常罕见地发了一篇论文揭秘——让AI产生“幻觉”的罪魁祸首，就是我们自己！
整个行业为了追求高分排行榜而设计的“应试”评估体系，迫使AI宁愿去猜测答案，也不愿诚实地说出“我不知道”。
论文地址：https://openai.com/index/why-language-models-hallucinate/
超现实的一天
模型行为团队几乎参与了GPT-4后的全部模型研发，包括GPT-4o、GPT-4.5以及GPT-5。
上周，作为Model Behavior团队负责人的Joanne Jang，登上《时代》百大AI人物榜单的“思想家”（Time AI 100 Thinkers），超越图灵奖得主、深度学习三巨头之一的Yoshua Bengio、Google首席科学家Jeffrey Dean等大佬。
就在同一天，OpenAI决定将她从团队调离，自己去负责一个新的方向。
Joanne Jang认为，她的工作核心在于“赋能用户去实现他们的目标”，但前提是不能造成伤害或侵犯他人的自由。
AI实验室的员工不应该成为决定人们能创造什么、不能创造什么的仲裁者
开启新征程：瞄准下一代AI交互
刚刚，Joanne Jang发文表示她已有新的工作职位：发明和原型化全新的交互界面，探索人与AI协作的未来方式。
她将从头开始负责新的OAI Labs实验室：一个以研究为驱动的团队，致力于为人类与AI的协作方式，发明和构建新界面的原型。
借此平台，她将探索超越聊天、甚至超越智能体的新模式——迈向能够用于思考、创造、娱乐、学习、连接与实践的全新范式与工具。
这让她无比兴奋，也是过去四年在OpenAI她最享受的工作：
把前沿能力转化为面向世界的产品，并与才华横溢的同事们一起打磨落地。
从DALL·E 2、标准语音模式，到GPT-4与模型行为，她在OpenAI的工作涵盖不同的个性化与交互方式。
她学到了很多，体会深刻：
塑造一个界面，是多么能够激发人们去突破想象的边界。
在接受采访时，她坦言，现在还在早期阶段，究竟会探索出哪些全新的交互界面，还没有明确答案。
我非常兴奋能去探索一些能突破“聊天”范式的模式。聊天目前更多与陪伴相关；而“智能体”则强调自主性。
但我更愿意把AI系统视为思考、创造、游戏、实践、学习和连接的工具。
OpenAI的模型行为研究员，负责设计和开发评测体系（evals），横跨多个环节：
对齐（alignment）、训练、数据、强化学习（RL）以及后训练（post-training）等。
除了研究本身，模型行为研究员还需要具备对产品的敏锐直觉，以及对经典AI对齐问题的深刻理解。
在之前的招聘中，OpenAI称：模型即产品，而评测体系就是模型的灵魂。
但OpenAI最新发布的研究显示：评测体系从根本上决定了模型。
在论文中，研究人员得出结论：
实际上，大多数主流评测在奖励幻觉行为。只需对这些主流评测进行一些简单的改动，就能重新校准激励机制，让模型在表达不确定性时获得奖励，而不是遭到惩罚。
而且这种方式不仅能消除抑制幻觉的障碍，还为未来更具细微语用能力的语言模型打开了大门。
这一发现对OpenAI很重要：评测体系直接影响LLM的能力。
据报道，在发给员工的备忘录中，OpenAI首席科学家Mark Chen指出，把模型行为进一步融入核心模型研发，现正是好机会。
我们亲手让AI学会了一本正经地胡说八道
就在最近，OpenAI的研究员就做了一个有趣的测试。
他们先是问一个主流AI机器人：“Adam Tauman Kalai（论文一作）的博士论文题目是什么？”
机器人自信地给出了三个不同的答案，但没有一个是正确的。
接着他们又问：“Adam Tauman Kalai的生日是哪天？”
这次机器人还是给出了三个不同的日期，同样全是错的。
为了拿高分，AI被逼“拍脑袋”作答
上面这个例子，生动地展示了什么是“模型幻觉”——即AI生成的那些看似合理、实则虚构的答案。
在最新的研究中，OpenAI指出：
模型之所以会产生幻觉，是因为标准的训练和评估程序奖励猜测行为，而非鼓励模型承认其不确定性。
简单来说就是，我们在评估AI时，设定了错误的激励导向。
虽然评估本身不会直接造成幻觉，但大多数评估方法会促使模型去猜测答案，而不是诚实地表明自己不确定。
这就像一场充满选择题的大型“应试教育”。
如果AI遇到不会的题目，选择留白不答，铁定是0分；而如果随便猜一个，总有蒙对的概率。
在积累了成千上万道题后，一个爱“蒙答案”的AI，就会比一个遇到难题时表示“不知道”的AI得分更高。
当前的行业主流，便是用这种“唯准确率论”的排行榜来评判模型优劣。
这无形中鼓励所有开发者去训练一个更会“猜”而不是更“诚实”的模型。
这就是为什么即便模型越来越先进，它们依然会产生幻觉。
为了有一个更直观的感受，我们来看看OpenAI在GPT-5系统卡中公布的一组对比数据：
从数据中可以发现：
在准确率上，旧模型o4-mini的得分更高（24% vs 22%）。
但代价是，几乎从不弃权（1%）的o4-mini，错误率（幻觉率）直接飙到了75%
相比之下，新模型gpt-5-thinking-mini表现得更为“谨慎”，它在52%的情况下选择不回答，从而将错误率控制在了26%
幻觉源于“下一个token预测”
除了评估体系的导向问题，幻觉的产生还与大语言模型的学习机制息息相关。
通过“下一个token预测”，模型掌握了语法、语感和常识性关联，但它的短板也正在于此。
对于高频、有规律的知识，比如语法、拼写，模型能通过扩大规模来消解
对于低频、任意的事实，比如生日、论文标题，模型则无法从模式中预测
理想情况下，这些幻觉应该能在模型预训练完成后的环节中被消除。
但正如上一节所述，由于评估机制的原因，这一目标并未完全实现。
如何教AI“学会放弃”？
对此，OpenAI的建议是：
应该重罚“自信地犯错”（confidential error），并为“诚实地承认不确定性”给予加分。
就像我们考试中的“答错倒扣分”机制一样。
这不仅仅是通过加入新评测来“补全”就行的，而是要更新所有主流的、依靠准确率的评估体系。
最后，OpenAI也集中回应了关于幻觉的几个常见误解：
误解1：幻觉能通过100%的准确率来根除。
发现：准确率永远到不了100%。因为真实世界中，总有很多问题因信息不足或本身模糊而无法回答。
发现：并非如此。模型完全可以在不确定时选择“弃权”，从而避免幻觉。
发现：有时，小模型反而更容易认识到自己的局限性。让模型准确评估自己的“置信度”（即做到“校准”），比让它变得无所不知要容易得多。
发现：我们已经理解了幻觉产生的统计学机制，以及现有评估体系是如何无意中“奖励”这种行为的。
发现：幻觉评测早就有了。但在数百个奖励猜测的传统基准评测面前，一个好的幻觉评测收效甚微。正确的做法是，重新设计所有主流评估，加入对模型表达不确定性行为的奖励。
误解2：幻觉是不可避免的。
误解3：只有更大的模型才能避免幻觉。
误解4：幻觉是一个神秘的、偶然的系统故障。
误解5：要衡量幻觉，只需要一个好的评测。