大型语言模型的“事实核查”能力差异巨大

作者使用一个关于ADHD药物长期疗效的复杂案例，测试了多个大型语言模型（LLM）的事实核查能力。结果显示，不同模型的表现差异巨大：一些模型能够准确引用和总结真实世界文档，而另一些则存在严重的“链接幻觉”和来源误解问题。作者认为，现有LLM的测试方法过于简单，无法充分评估其处理复杂信息的能力，并呼吁业界重视这一问题。