距离上次分享刚刚过去三天时间，我们又在第一时间拿到了清华大学沈阳团队的新 DeepSeek 攻略，赶紧来给大家分享。

不知道家友们在使用 DeepSeek 等大语言模型的时候，有没有遇到过“一本正经的胡说八道”的情况？

这次的第五部新宝典，讨论的便是 AI 幻觉的问题。

而我们作为普通用户，怎样应对 AI 幻觉，甚至利用 AI 幻觉，看完这篇后便会得到答案。

对了，这次给大家分享的 PDF 下载，是原汁原味的原版哦，网上有太多卖课者魔改的内置其广告版本。

一、什么是 AI 幻觉

AI 幻觉，指得其实就是模型生成与事实不符、逻辑断裂或脱离上下文的内容，本质是统计概率驱动的“合理猜测”。

换句话讲，我们遇到的那些“一本正经地胡说八道”的情况，其实就是 AI 幻觉。

其主要分为两种：

• 事实性幻觉：模型生成的内容与可验证的现实世界事实不一致

• 忠实性幻觉：模型生成的内容与用户的指令或上下文不一致

至于 AI 为什么会产生幻觉，不外乎以下几种原因：

• 数据偏差：训练数据中的错误或片面性被模型放大（如医学领域过时论文导致错误结论）

• 泛化困境：模型难以处理训练集外的复杂场景（如南极冰层融化对非洲农业的影响预测）

• 知识固化：模型过度依赖参数化记忆，缺乏动态更新能力（如 2023 年后的事件完全虚构）

• 意图误解：用户提问模糊时，模型易“自由发挥”（如“介绍深度学习”可能偏离实际需求）

比如，我们可以通过虚构事件的方式，来测试一下各大 LLM 的事实性幻觉情况。

三、如何减缓 AI 幻觉

我们作为不了解相关技术细节的普通用户，该怎样减缓 AI 幻觉的影响呢？

首先是开启联网搜索功能，让 AI 对齐一下信息的颗粒度，“胡说八道”的几率自然也就少了。

在编写提示词的时候，我们也可以提前做好知识边界的限定，降低 LLM 虚构的可能性。

此外，我们还可以使用多款 AI 模型，对生成的结果进行交叉验证，让 DeepSeek 和千问自己“卷”起来。

在现阶段，AI 幻觉仍然是无法杜绝的问题，我们在使用大语言模型辅助我们的工作时，也不能把他们当做“万能神药”，而是要有自己的判断。

四、AI 幻觉的创造力价值

当我们需要确定性的结果时，AI 幻觉是一件不好的事情。

然而，对于需要“创造力”的领域，幻觉可能反而是我们所需要的。

当然，我们还需要逐步建立方法论，经过合理的验证过程，才能让 AI 幻觉的“想象力”为我们所用。

怎么样，看到这里，是不是对“AI 幻觉”这个