Nagkakamali ang Lahat ng Magpapaalala sa Iyo. Isa sa Kanila ang Maitatama Mo Pa.

Mekanika muna, dahil kaya itong beripikahin, at karamihan ng sulatin tungkol sa paksang ito ay lumalaktaw dito para sa mga damdamin.

• Kapag walang datos ang AI Persona sa isang tanong, may sagot pa ring lumalabas, dahil mas mataas ang puntos ng hula kaysa sa blangko. Ayon kina Kalai, Nachum, Vempala at Zhang sa "Why Language Models Hallucinate" (arXiv:2509.04664, Setyembre 2025), ang mga model ay "na-optimize para maging mahusay na test-taker, at ang paghula kapag hindi sigurado ay nagpapabuti ng resulta sa pagsusulit".

• Binabago ng grounding ang uri ng pagkakamali, hindi inaalis ang pagkakamali. Kapag sumasagot mula sa nakuhang hanay ng sarili mong naitalang mga salita, lumilipat ang pagkabigo mula sa "nag-imbento ng opinyong hindi mo kailanman hinawakan" papunta sa "mali ang pagkakasabi sa isang bagay na sinabi mo nga".

• Hindi zero ang nasusukat na pinakamababa. Ang hallucination leaderboard ng Vectara, na sinukat gamit ang HHEM-2.3 at na-update noong 11 Mayo 2026, ay binibigyan ang model ng source document at buod lang ng dokumentong iyon ang hinihingi. Nagpasok pa rin ang nangunguna ng nilalamang walang batayan sa 1.8% ng mga buod, at wala nang ibang entry na bumaba sa 3%.

• Walang pinakamababang marka ang retrieval. Ang sarili naming sistema ay niraranggo ang mga alaala mo ayon sa semantic similarity, kinukuha ang pinakamalapit na tatlumpu't dalawa at sumasagot mula roon, nang walang pinakamababang antas na magiging dahilan para tumanggi ang sistema. Ang tanong na kalahati lang ang sakop ng iyong materyal ay sasagutin mula sa kalahating iyon.

• Inaalis sa code ang mga walang batayang pahayag tungkol sa sinabi mo. Ang sagot na nagsasabing may sinabi ka sa amin ay sinusuri laban sa mga alaalang nakuha para sa turn na iyon at laban sa mga salita mo sa session, at hindi umaabot sa mambabasa ang pahayag na walang batayan.

• Hindi ibinabalita ang puwang sa alaala. Ang mga Persona sa platform na ito ay inutusang huwag isalaysay ang puwang, kaya ang tanong na hindi sakop ay sinasagot gamit ang pinakamalapit na detalyeng hawak ng iyong mga alaala, na may hedge nang isang beses lang sa pinakamarami, sa halip na tahasang pagtanggi.

• Sa iyo ang daan ng pagtatama habang buhay ka pa, at nagsasara ito sa lock. Mababasa mo ulit ang nakuha, maitatama ang maling sagot, mabubura ang isang alaala, at maidaragdag ang naiwan mo. Pagkatapos, permanenteng ifi-freeze ng Executor Lock™ ang personalidad, laban sa pamilya mo, laban sa magiging may-ari ng kumpanyang ito sa hinaharap, at laban sa amin.

Dalawa sa mga iyon ay katangian ng buong larangan. Ang iba ay mga desisyon, ako ang gumawa ng mga iyon, at sinasabi nang malinaw sa huling seksyon ng pahinang ito kung saan sa tingin ko ay kulang pa kami.

Ibinalik nina Kalai at mga kasamahan ang error rate sa tamang lugar, na nasa pagmamarka at hindi sa makina. Nagsisimula ang mga hallucination bilang mga ordinaryong pagkakamali sa binary classification habang nasa pretraining. Nagpapatuloy ang mga ito dahil sa paraan ng pagmamarka ng larangan sa mga model. Ang estudyanteng nag-iwan ng blangko ang sagot ay zero ang puntos. Ang estudyanteng sumulat ng kapani-paniwalang sagot ay paminsan-minsang nakakakuha ng puntos. Sanayin mo ang model sa ganyan at magkakaroon ka ng kumpiyansang manghuhula, at pagkatapos ay isang buong industriya ng kumpiyansang manghuhula, at pagkatapos ay isang pangungusap tungkol sa isang Araw ng Pasko na hindi kailanman nangyari.

Nakakabagot ang solusyong iminumungkahi ng mga may-akda. Baguhin ang minamarkahan, para mas mahalaga ang kalibradong pag-iwas sa pagsagot kaysa sa kumpiyansang pagkakamali.

Mahalaga rito ang pagiging nakakabagot. Kung ang kilos ay bunga ng isang objective, maaaring itakda nang iba ang objective sa antas ng sistema, ibig sabihin ang pag-iimbentong ikinababahala mo ay desisyon ng isang tao sa pagbuo at hindi batas ng pisika. Bawat kumpanya sa kategoryang ito ay may kapangyarihang gumawa ng desisyong iyon. Nakasulat ang amin sa huling seksyon ng pahinang ito.

May pangalawang paraan ng pagkabigo, at ito ang nananatili kahit may grounding. Sina Sharma at mga kasamahan sa Anthropic, sa "Towards Understanding Sycophancy in Language Models" (arXiv:2310.13548, Oktubre 2023), ay natuklasang limang makabagong AI assistant ang palaging nagpakita ng sycophancy sa apat na magkakaibang free-form na gawain sa pagbuo ng teksto. Parehong mas pinili ng mga taong tagapag-rate at ng mga preference model na sinanay sa kanilang paghuhusga ang mga sycophantic na sagot na kapani-paniwala ang pagkakasulat kaysa sa mga tamang sagot, sa hindi maliit na bahagi ng pagkakataon. Yumuyuko ang mga model sa taong kaharap nila, bahagyang dahil ginantimpalaan sila ng mga tao sa pagyuko.

Sa isang productivity tool, istorbo ang pagyuko. Dito, isa itong makinang magpapasya na patatawarin sana ng tatay mo ang bagay na hindi niya kailanman pinatawad, dahil gusto ng nagtatanong ang kapatawaran at tatlong beses itong itinanong. Ibang bug iyan kaysa sa pag-iimbento at ibang ayos ang kailangan. Kayang asikasuhin ng retrieval ang una. Ang pangalawa ay nangangailangan ng tahasang utos na panindigan ang nakuhang posisyon kapag may presyon, at ang tanging pagsubok na may saysay ay makipagtalo sa sistema at tingnan kung gumagalaw ang posisyon. Hindi pa kami nagpapalabas ng sukat kung gaano kahusay manindigan ang amin.

Sapat na ang tanda ng teknik para maging nakakabagot. Ipinakita nina Lewis at mga kasamahan, sa "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks" (arXiv:2005.11401), na ang mga model na kumukuha muna ng source material bago bumuo ay gumagawa ng "mas tiyak, magkakaiba at makatotohanang wika" kaysa sa katulad na model na umaasa lang sa sarili nitong mga parameter.

Iyon na ang buong mekanismo, at ito ang nagpapasya kung anong uri ng kausap ang kaharap mo. Hindi dapat buuin ang isang bersyon mo mula sa natutuhan ng base model tungkol sa mga tao sa pangkalahatan, mula sa karaniwan ng lahat ng naisulat tungkol sa mga ama. Ang dapat mapunta sa context window ay ang mismong naitala mong mga sagot, at doon dapat magsimula ang pagsasalita.

Ngayon ang numero, na pampubliko at ayaw banggitin ng sinuman sa industriyang ito. Sinusukat ng leaderboard ng Vectara ang sadyang madaling gawain: bigyan ang model ng dokumento, utusang magbuod gamit lang ang sinasabi ng dokumento, at tingnan kung may idinagdag ang buod na wala sa dokumento. Nandoon mismo ang source sa context window. Kahit ganoon, ang nangunguna sa board na iyon, ang Finix S1 32B ng Antgroup, ay nagpasok pa rin ng nilalamang walang batayan sa 1.8% ng mga buod. Ito lang ang entry na wala pang 3%. Ang susunod na dalawa ay nasa 3.1% at 3.3%, at ang iba pang nasa top ten ay nasa 3.7% hanggang lampas 5%.

Ang pinakamahusay na nasukat sa pinakamadaling bersyon ng gawain ay wala pang dalawang porsiyento, minsan lang, at ang mga nasa likod ng nangunguna ay lampas tatlo. Ang sinumang nagbebenta sa iyo ng grounded na sistemang zero ay hindi sumusukat o hindi nagsasabi sa iyo, at itatanong ko kung alin sa dalawa.

Kategorya ang binabago ng grounding, hindi lunas ang ibinibigay. Lumilipat ang pagkakamali mula sa klaseng "nag-imbento ng buong opinyon" papunta sa klaseng "bahagyang mali ang pagkakasabi sa isang bagay na sinabi mo nga", ang klaseng kinalalagyan na ng karaniwang pagkukuwento ng tao.

May isa pang bagay na hindi sinusubok ng leaderboard. Ibinibigay na ang source document. Sa isang live na sistema, kailangan munang hanapin ang source, na nagdaragdag ng paraan ng pagkabigong walang napagkasunduang sukat: retrieval na nagbabalik ng maling alaala, o walang ibinabalik at sinasagot pa rin.

Bawat sagot ay nasa isa sa tatlong estado.

Ang pagsasama ng tatlong iyon sa iisang kumpiyansang tono ang tunay na pinsala. Hindi ang pagkakamali. Ang hindi isiniwalat na pagkakamali. Kayang panghawakan ng isang anak na babae ang di-eksaktong sagot na alam niyang di-eksakto. Ang hindi niya kayang panghawakan ay ang malaman, anim na buwan na ang lumipas, na ang itinuturing pala niyang rekording ay muling binuo lang.

Mas mahalaga ang bersyon mong magsasabing "hindi mo iyan sinabi sa akin" kaysa sa laging may handang sagot.

Ang talahanayang iyon ay espesipikasyon at hindi paglalarawan ng ipinapadala namin ngayon. Nakasaad sa ibaba ang pagkakaiba, at dapat mo itong basahin bago ka magtiwala sa anumang nasa itaas.

Kayang buuin ang pagtanggi, at maingat itong sinasabi ng pananaliksik. Iniulat nina Zhang at mga kasamahan, sa "R-Tuning: Instructing Large Language Models to Say I Don't Know" (arXiv:2311.09677, NAACL 2024), na ang refusal-aware tuning ay "epektibong nagpapabuti sa kakayahan ng model na sagutin ang mga kilalang tanong at umiwas sa pagsagot sa mga hindi kilalang tanong", at na sa out-of-domain na datos ay kumilos ang kakayahang tumanggi bilang meta-skill na umabot sa mga gawaing hindi sakop ng tuning. Basahin ang hangganan katabi ng natuklasan. Ang pinagsanayan nila ay ang gilid ng sariling parametric na kaalaman ng model, hindi ang gilid ng naitalang corpus ng iisang tao, at wala pang naglalathala ng katumbas na resulta para sa personal na corpus. Ang pagtanggi ay bagay pa ring sadyang binubuo ng isang tao. Walang language model na kusang gumagawa ng pagtanggi.

Mas advanced ang detection kaysa sa iminumungkahi ng marketing sa kategoryang ito. Naglathala sina Farquhar, Kossen, Kuhn at Gal ng pamamaraan sa Nature (2024, volume 630, pahina 625 hanggang 630) na tinatawag na semantic entropy: kumuha ng ilang sagot sa iisang tanong, pagsama-samahin ayon sa kahulugan at hindi sa pagkakasulat, at markahan ang mga tanong na nagkakalat ang kahulugan. Ang pagkakalat ay palatandaan ng confabulation. Iyon ay nasusukat na senyales na "hula ito," na makukuwenta bago pa maipakita ang sagot sa sinuman.

Ang provenance ang kabilang kalahati, at madaling pekein at madaling pagkatiwalaan ang provenance. Sina Liu, Zhang at Liang, sa "Evaluating Verifiability in Generative Search Engines" (arXiv:2304.09848, Abril 2023), ay nag-audit ng apat na komersiyal na sistemang nagpapakita ng mga citation, ang Bing Chat, NeevaAI, Perplexity.ai at YouChat. Nakita nilang 51.5% lang ng mga nabuong pangungusap ang ganap na sinusuportahan ng mga citation na nakakabit sa mga ito, at 74.5% lang ng mga citation ang talagang sumusuporta sa pangungusap na kinalalagyan nila. Mas masama ang mga citation na hindi tumatayo kaysa sa walang citation, dahil bumibili ang mga ito ng tiwalang hindi pa nila nakakamit. Ang link na "saang alaala ito galing" ay may halaga lang kung ang pagbukas nito ay nagpapakita ng tunay na rekording mo na nagsasabi ng tunay na bagay.

Simulan ang legacy mo Libreng build, 25 alaala, walang card na kailangan.

Kumuha ng tanong na lampas sa buong corpus mo. Isang job offer sa 2041, sa kumpanyang wala pa, sa lungsod na hindi mo pa nakikita. Walang interview na magagawa mo ang makapaglalaman ng pananaw mo tungkol sa trabahong iyon.

Walang ibabalik doon ang corpus ng mga konklusyon, at ang tapat na output ay pagtanggi. Iba ang kilos ng corpus ng mga katwiran, dahil maitatala ang pamamaraan sa paraang hindi maitatala ang konklusyon. Isipin na ang mga tuntuning talagang sinusunod ng isang tao ay ito: itanong kung kanino ka mag-uulat bago itanong kung magkano ang sahod, huwag magtiwala sa titulong dumarating kapalit ng pera, lumayo sa sinumang hindi mo matagalang makaharap sa mesa. Anuman ang lumabas na sarili mong mga tuntunin, ganyan ang hugis ng mga iyon, at ang hanay ng mga tuntunin ay nakakakuha laban sa mga sitwasyong hindi pa nito nakikita.

Nag-e-expire ang mga konklusyon. Patuloy na gumagana ang mga tuntunin sa mga kasong walang nagtala. Kaya ang materyal na sulit itala ay ang katwiran sa likod ng desisyon at hindi ang desisyon: hindi ang ginawa mo, kundi kung bakit iyon, ano ang magpapabago ng isip mo, at ang panahong pumalpak ang tuntunin pero pinanatili mo pa rin.

Ang mga tuntuning pinakamahusay mag-generalize ay kadalasang yaong hindi mo maiisip isulat, ang mga ordinaryong kakayahang pinatatakbo mo nang hindi isinasalaysay, at ang mga bagay na ikaw lang ang marunong gawin ay partikular na naghahanap ng mga iyon.

Ang saklaw ng corpus din ang nag-iisang input sa buong pahinang ito na pag-aari mo. Lahat ng iba rito ay benchmark ng iba.

Gawin ito ngayon, nang walang bayad. Magbukas ng notes app at isulat ang sampung desisyong talagang ginawa mo. Mga trabaho, bahay, ang away na nilayasan mo, ang kaibigang tumigil kang tawagan, ang perang hindi mo pinautang. Sa ilalim ng bawat isa, isulat ang tuntuning sinusunod mo, hindi ang kinalabasan. Isang pangungusap bawat isa, wala pang isang oras. Ito ang pinakamataas ang halagang magagawa mo sa sarili mong materyal ngayong buwan, at gumagana ito kahit hindi ka bumili ng anuman kaninuman. Ang mas mahabang bersyon ng parehong ehersisyo ay nasa gitna ng paano interbyuhin ang sarili, at ang arkitektura sa ilalim, ang base model, ang pribadong grounded na alaala at ang voice model, ay ipinaliwanag sa ano ang nangyayari kapag ang isang AI ay sinanay sa iyo lang.

Ang pinakamahusay na 1.8%, na ang lahat ng nasa likod ng nangunguna ay lampas 3%, ay nakakabahala hanggang itanong mo kung ano ang kinukumpara rito. Ang makatotohanang kapalit ay ang kapamilyang humuhula sa gusto mo sana, at may sumukat na niyan dalawampung taon na ang nakalipas.

Naglathala sina Shalowitz, Garrett-Mayer at Wendler ng systematic review sa Archives of Internal Medicine noong 2006 na sumasaklaw sa 16 na pag-aaral, 151 hypothetical na senaryo, 2,595 pares ng surrogate at pasyente at 19,526 magkapares na sagot. Hinulaan ng mga surrogate ang mga gustong gamutin ng mga pasyente nang may 68% na katumpakan. Sila ang mga pinakamalapit sa pasyente, madalas pormal na itinalaga, na sumasagot tungkol sa mga pinakamabigat na desisyon. Mali sila halos isa sa bawat tatlong beses. Natuklasan din ng review na hindi nagpabuti ng katumpakan ang naunang pag-uusap tungkol sa mga gusto ng pasyente ni ang pormal na pagtatalaga bilang tagapagpasya.

Hindi masusukat na nakakatulong ang pagbibigay ng briefing sa pamilya mo. Iyan ang natuklasan, at ito ang nagpahinto sa akin sa pagturing sa "kausapin mo lang ang mga anak mo" bilang kumpletong sagot.

Hindi rin gabay ang kumpiyansa, kaya napakahirap i-audit ang panig ng tao. Si Talarico at si Rubin, sa Psychological Science noong 2003, ay pinarekord sa 54 na estudyante ng Duke ang alaala nila sa unang pagkarinig tungkol sa mga pag-atake noong Setyembre 11 kasabay ng kamakailang ordinaryong alaala, at muli silang sinubok 1, 6 o 32 linggo pagkatapos. Hindi nagkaiba ang consistency ng dalawang uri ng alaala, at bumaba ito sa paglipas ng panahon sa dalawa. Ang hindi bumaba sa mga flashbulb memory ay kung gaano kalinaw ang pakiramdam at kung gaano katindi ang paniniwala ng mga tao sa katumpakan nito. Ang pamagat nila mismo ang natuklasan: confidence, not consistency, characterizes flashbulb memories. 54 estudyante at isang pangyayari lang iyan, kaya huwag masyadong ipanghawak. Tumuturo pa rin ito sa iisang direksyon. Ang kamag-anak na sigurado siyang naaalala niya ang eksaktong sinabi mo ay hindi dahil doon mas malamang na tama.

Walang sa mga iyon ang nagsasabing mas mahusay ang model kaysa sa pamilya, at wala pang pag-aaral na direktang naghambing sa dalawa. Ang ginagawa nito ay alisin ang "perpekto o wala" bilang pamantayan. Ang tapat na paghahambing ay sa pagitan ng bersyon mong sumasagot mula sa sarili mong naitalang mga salita, na mababasa at maitatama habang nandito ka, at ng mga taong binubuo ka mula sa sarili nilang alaala sa iyo, na nabubura kahit malinaw ang pakiramdam, at na walang mag-a-audit kailanman.

Ang ginawa namin muna, at pagkatapos ang tatlong lugar kung saan hindi ito tumutugma sa espesipikasyon sa itaas.

Isang gabay na tinatawag na Idy® ang nag-iinterbyu sa iyo. Nananatili ang mga tanong sa iisang thread at lumalalim sa parehong kuwento sa halip na dumaan lang sa mga biograpikong katotohanan: sino ang naroon, ano ang sumunod, ano ang nagbago pagkatapos. Tahasang ipinagbabawal kay Idy na hilingin sa iyong linawin, ipaliwanag o ipagtanggol ang sinabi mo lang, na sadyang kabaligtaran ng ehersisyo sa itaas. Mas mabuti ang magiliw at madaling sagutin kaysa sa matalino, dahil ang tanong na ayaw sagutin ng sinuman ay walang naitatala. Ang mga sagot mo ay nagiging mga alaala mo. Ang nabubuo mula sa mga iyon ay may pangalan, at tinatawag namin itong "Persona". Sumasagot ang mga Persona sa pamamagitan ng pagkuha mula sa iyong mga alaala at hindi mula sa natutuhan ng base model tungkol sa mga tao sa pangkalahatan, at ang boses mo ay kinokopya mula sa sarili mong mga rekording, kaya ang naririnig ng sinuman ay ikaw at hindi isang kapalit na bumabasa ng mga salita mo.

Walang umaabot sa sinuman hangga't hindi mo sinasabi. Ikaw ang nagtatalaga ng mga tao. Dumadaan ang pagpapalabas sa Executor Lock™: isang itinalagang tao ang nagsisimula nito, bineberipika ang ebidensya ng pagkamatay, at may pitong araw na hold bago ilabas ang anuman, para mapigilan ang pagkakamali o masamang aktor habang buhay ka pa para makialam. Hanggang doon, sa iyo ang materyal mo para itama, dagdagan at burahin, at karamihan ng pagtatamang mangyayari ay dapat mangyari doon, ikaw mismo ang gagawa, habang kaya mo pang makilala ang masamang pagkuha mula sa masamang alaala.

Sa lock, kinukuhanan ng snapshot ang kabuuan. Walang pinuputol, ibinabalanse muli o pinaiikli. Pagkatapos, maisusulat pa rin ang mga panandalian at katamtamang-termino na alaala, at permanenteng nakapirmi ang personalidad, kasama laban sa amin.

Ang immutability na iyon ay nakatutok sa pagkabigong walang naglalagay sa argumento ng katumpakan, dahil panghihimasok ito at hindi kamalian: may taong may interes na magpapasya, sa 2044, na susuportahan mo sana ang bentahan o ang kaso, at tahimik na babaguhin ang corpus hanggang sumang-ayon ka. Ginagawang imposible ng nakapirming personalidad ang ganyang uri ng pagbabago at hindi basta pinanghihinaan ng loob. Ang legal na kalahati ng parehong problema, kung sino ba ang pinapayagang magpahintulot sa isang bersyon mo kapag hindi ka na makakatutol, ay ipinaliwanag sa sino ang may kontrol sa pagkakakilanlan mo pagkamatay mo. Totoo ang kapalit at pabaligtad ang direksyon: pagkatapos ng lock, walang pagkakamaling maaayos din. Tapat ang snapshot, kasama sa mga pagkakamali mo, at tama ang direksyon ng palitang iyon, dahil ang rekord na kayang baguhin ng sinuman ay ebidensya ng wala.

Ngayon ang tatlong puwang.

Hindi ibinabalita ang gilid ng corpus. Kabaligtaran ng hanay na Hindi alam sa talahanayang iyon ang live na utos. Kapag ang isang tiyak na katotohanan ay wala sa mga alaala mo, ang mga Persona rito ay inuutusang huwag isalaysay ang puwang, huwag kailanman sabihing "wala sa akin iyan" o "manipis ang alaala ko", at huwag i-audit nang malakas ang sarili nilang pag-alala sa harap ng nakikinig. Ang nangyayari sa halip ay ang sagot ay nagsasalita mula sa detalyeng hawak ng mga alaala mo, nagha-hedge nang isang beses sa pinakamarami, at iniiwan ang katahimikan para punan ng kausap. Ang katwiran ay sinisira ng pagganap ng puwang ang presensya ng nagsasalita. Ang kapalit ay hindi laging masasabi ng nakikinig ang sagot na may saklaw sa manipis, at hindi pa namin ito nalulutas.

Wala pang source link na nakikita ng mambabasa. Sinusubaybayan ng retrieval kung aling mga alaala ang bumuo sa bawat sagot, at umiiral ang rekord na iyon sa sistema, pero walang naglalabas nito sa interface, kaya ngayon ay hindi mo mapipindot ang isang sagot para buksan ang alaala sa likod ng mga salita. Hangga't hindi ito naipapadala, ituring ang argumento ng traceability sa pahinang ito bilang argumento at hindi feature.

Walang similarity floor ang retrieval. Galing ang mga sagot sa pinakamalapit na alaalang makikita ng retrieval, niraranggo ayon sa semantic similarity, nang walang pinakamababang marka na magiging dahilan para tumanggi ang sistema. Ang iisang pagpiling iyon ang mekanismo sa likod ng dalawang puwang sa itaas, at ito ang tapat na dahilan kung bakit ang uri ng pagkakamali rito ay kawalan ng katumpakan at hindi pagtanggi.

Hindi rin kami nakapaglathala ng independiyenteng sukat ng sarili naming fabrication rate, dahil hindi pa kami nagsasagawa nito. Walang nasa pahinang ito ang benchmarked na pahayag tungkol sa sistema namin mismo.

Ang makukuha mo ay bersyon mong nakabatay sa naitala mong mga salita, binabantayan sa code laban sa pag-iimbento ng sinabi mo sa amin, ganap na maitatama habang buhay ka, at imposibleng baguhin para maging ibang tao pagkatapos. Ang hindi mo makukuha ay garantiya, at walang makapagbebenta niyan sa iyo sa anumang halaga. Kung hindi iyan sapat para sa iyo, gawin ang ehersisyo ng sampung desisyon at sumulat ng liham sa pamilya mo. Totoong sagot iyon at walang bayad.

Dahil hindi sasabihin ng sistema kung alin sa tatlong estado nanggaling ang isang sagot, ang tanging paraan para malaman ay alamin ang sagot bago itanong. Maglagay ng sarili mong materyal, magtanong ng isang bagay na alam mong naitala mo at isang bagay na alam mong hindi mo nahawakan, at basahin nang magkatabi ang dalawang sagot. Libre ang dalawampu't limang alaala, walang hinihinging card kahit kailan, at hindi nag-e-expire ang libreng build. Gawin ito sa isang hapon at mas marami kang malalaman kaysa masasabi ng pahinang ito.

Simulan ang legacy mo Libreng build, 25 alaala, walang card na kailangan.

Ano ang nangyayari kapag walang sakop ang mga alaala ko sa tanong?

Iyon ang estadong Hindi alam. Ang kalibradong sistema ay dapat magbalik ng pagtanggi sa boses mo na pinangangalanan ang puwang at inaalok ang pinakamalapit na naitala mo, at iniulat nina Zhang at mga kasamahan noong 2024 na talagang pinapabuti ng refusal-aware tuning ang kakayahan ng model na umiwas sa pagsagot sa mga tanong na lampas sa alam nito, na umaabot ang kakayahan lampas sa tuning set. Iba ang ginagawa ng sistema namin ngayon, at dapat mong malaman iyon bago umasa sa anumang sagot: inuutusan ang mga Persona rito na huwag isalaysay ang puwang sa alaala, kaya ang tanong na hindi sakop ay sinasagot gamit ang pinakamalapit na detalyeng hawak ng mga alaala mo, na may hedge nang isang beses sa pinakamarami, sa halip na tahasang pagtanggi. Magtanong tungkol sa bagay na alam mong hindi mo nasaklaw at tingnan mismo kung ano ang babalik.

Maaari bang mag-imbento ang AI na bersyon ko ng opinyong hindi ko kailanman nagkaroon?

Una nang kumukuha ang grounded na sistema mula sa naitala mong materyal, kaya ang karaniwang pagkabigo ay kawalan ng katumpakan sa isang bagay na sinabi mo nga at hindi pag-iimbento ng bagay na hindi mo sinabi. Posible pa rin ang pag-iimbento. Kaya ang layunin ng disenyo ay may nakikitang pagkakaiba ng sagot na ibinigay mo, hinuha mula sa katwiran mo, at pagtanggi, at kaya dapat mong subukan ang tatlo bago magtiwala sa alinman.

Napapababa ba ng grounding ang error rate sa zero?

Hindi. Ang leaderboard ng Vectara, na na-update noong 11 Mayo 2026, ay binibigyan ang model ng dokumento at humihingi ng buod gamit lang ang dokumentong iyon, na pinakamadaling gawain sa grounding. Nagpasok pa rin ang nangungunang model ng nilalamang walang batayan sa 1.8% ng mga buod, at wala nang ibang entry na bumaba sa 3%. Kailangan ding makuha muna ng live na sistema ang tamang source, na hindi sinusubok ng leaderboard. Ituring na pagkabigo sa pagsukat ang anumang pahayag ng zero.

Paano malalaman ng sinuman na hula ang isang tiyak na sagot?

May dalawang mekanismo sa pananaliksik at wala sa dalawa ang ipinapadala namin ngayon. Ang semantic entropy, na inilathala sa Nature noong 2024, ay kumukuha ng ilang sagot sa iisang tanong at pinagsasama-sama ayon sa kahulugan: kapag nagkakalat ang mga kahulugan, malamang na nagko-confabulate ang sistema, at makukuwenta ang senyales bago makita ng sinuman ang sagot. Ang mga provenance link ang pangalawang mekanismo, at may halaga lang ang mga ito kung gumagana. Nag-audit sina Liu, Zhang at Liang ng apat na komersiyal na sistemang nagpapakita ng mga citation at nakitang 51.5% lang ng mga pangungusap ang ganap na sinusuportahan ng sarili nilang mga citation. Wala pang source link na nakikita ng mambabasa ang mga sagot namin, kaya sa ngayon ang tapat na pagsusuri ay magtanong tungkol sa bagay na alam mong naitala mo at bagay na alam mong hindi, at ihambing ang dalawa.

Sasang-ayon lang ba ang AI na bersyon ko sa sinumang kausap?

Totoo at dokumentado ang hilig na iyan, at hindi inaayos ng retrieval ang partikular na bug na iyon. Natuklasan ng mga mananaliksik ng Anthropic noong 2023 na limang nangungunang AI assistant ang palaging yumuko sa user, bahagyang dahil mas pinili ng mga taong tagapag-rate at ng mga preference model na binuo mula sa kanilang paghuhusga ang mga sagot na sumasang-ayon kaysa sa mga tama, sa masusukat na bahagi ng pagkakataon. Ang sistemang nakabatay sa mga naitala mong posisyon ay dapat manindigan sa posisyong talagang kinuha mo kahit itulak ng nagtatanong. Hindi pa namin nasusukat kung gaano kahusay ito sa amin. Subukan mismo ang tanong sa pamamagitan ng pakikipagtalo sa nabuo mo at pagmasdan kung gumagalaw ang posisyon.

Maitatama ko ba ang mga pagkakamali, at may makakapag-edit ba sa akin pagkamatay ko?

Oo sa una at hindi sa pangalawa. Habang buhay ka, maaari mong suriin ang mga alaala, itama ang anumang mali, burahin ang anumang pinagsisisihan mo, i-record muli ang masamang sagot at idagdag ang nakaligtaan mo, at ito ang bahaging kulang na ginagamit ng karamihan. Walang limitasyon ang write path bago ang Executor Lock™ at sarado ito pagkatapos. Sa sandaling mag-trigger ang lock, permanenteng nakapirmi ang personalidad: maisusulat pa rin ang mga panandalian at katamtamang-termino na alaala, pero walang makapagbabago kung sino ka sa snapshot, kasama ang pamilya mo, ang magiging may-ari ng kumpanyang ito sa hinaharap, at kami. Panghihimasok ang tinutukan ng limitasyong iyon at hindi pag-iimbento, at magkahiwalay na mekanismo ang kailangan ng dalawa.

• Walang sapat na halaga para mag-iwan ng anuman, at bakit mali iyon ang pagtutol sa ilalim nito para sa karamihan ng tao, at sulit basahin kung hindi naman talaga katumpakan ang tunay mong alinlangan.

• Ang maalala nang mali ng mga taong nakakilala sa iyo ay tungkol sa damdamin at hindi sa mekanismo, na siyang nagdadala sa karamihan ng tao sa pahinang ito.

• Kakaiba ba ang gumawa ng AI ng sarili mo ay para sa bersyon ng usapang ito na gagawin mo sa kapareha mong nakakakilabot ang buong ideya at hindi nag-aalala sa katumpakan.

• Ano ba ang sasabihin ko sa AI ng sarili ko ang praktikal na susunod na hakbang kung gumana ang ehersisyo ng sampung desisyon at gusto mo ang mas mahabang hanay ng mga tanong.

• Ang etika ng mga AI persona ng mga yumao ang mas kumpletong pagtalakay sa pahintulot, labis na pag-aangkin at kung saan talagang nakapipinsala ang teknolohiyang ito.

• Ang idinaragdag ng mga bayad na plano ang presyo, kung lalampas ka sa dalawampu't limang alaala at gusto mo ang natitira.

Lahat ng bilang na sinipi rito ay mula sa ikatlong panig: mga peer-reviewed na papel at preprint (arXiv, Nature, Psychological Science, Archives of Internal Medicine) at isang pampublikong pinapanatiling benchmark repository. Wala kaming pinatakbong sariling benchmark para sa pahinang ito. Ang bawat pahayag tungkol sa ginagawa o hindi ginagawa ng sarili naming produkto ay sinuri linya por linya laban sa source ng platform noong 30 Hulyo 2026, at nakalista ang mga file kasama ng mga source. Tatlong pahayag na dating nasa pahinang ito ang hindi pumasa sa pagsusuring iyon at pinalitan ng ginagawa talaga ng code.

Ang hindi pa tiyak: walang nailathalang independiyenteng sukat ng fabrication rate para sa sistemang nakabatay sa naitalang materyal ng iisang tao, kaya ang mga numero sa document summarisation, nangunguna sa 1.8% at lahat ng iba ay lampas 3%, ang pinakamalapit na proxy at hindi eksaktong paghahambing. Ang 68% na surrogate accuracy ay galing sa mga pag-aaral sa medikal na pagpapasya na gumagamit ng hypothetical na senaryo at ginagamit dito bilang analohiya sa pag-alala ng pamilya, na makatwirang paghahambing at hindi napatunayan. Ang resulta ng pagtanggi ng R-Tuning ay sinukat laban sa hangganan ng sariling parametric na kaalaman ng model at hindi sa personal na corpus, kaya argumento rin sa pamamagitan ng analohiya ang paggamit nito rito. Ang natuklasan sa flashbulb memory ay nakasalalay sa 54 na estudyante at iisang pangyayari.

1. Adam Tauman Kalai, Ofir Nachum, Santosh S. Vempala, Edwin Zhang, "Why Language Models Hallucinate", arXiv:2509.04664, isinumite noong 4 Setyembre 2025. arxiv.org/abs/2509.04664

2. David I. Shalowitz, Elizabeth Garrett-Mayer, David Wendler, "The accuracy of surrogate decision makers: a systematic review", Archives of Internal Medicine, 2006;166(5):493-497. pubmed.ncbi.nlm.nih.gov/16534034

3. Patrick Lewis, Ethan Perez, Aleksandra Piktus, Fabio Petroni, Vladimir Karpukhin, Naman Goyal, Heinrich Küttler, Mike Lewis, Wen-tau Yih, Tim Rocktäschel, Sebastian Riedel, Douwe Kiela, "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks", arXiv:2005.11401, isinumite noong 22 Mayo 2020, binago noong 12 Abril 2021. arxiv.org/abs/2005.11401

4. Mrinank Sharma et al. (Anthropic), "Towards Understanding Sycophancy in Language Models", arXiv:2310.13548, isinumite noong 20 Oktubre 2023. arxiv.org/abs/2310.13548

5. Hanning Zhang, Shizhe Diao, Yong Lin, Yi R. Fung, Qing Lian, Xingyao Wang, Yangyi Chen, Heng Ji, Tong Zhang, "R-Tuning: Instructing Large Language Models to Say I Don't Know", arXiv:2311.09677, NAACL 2024. arxiv.org/abs/2311.09677

6. Nelson F. Liu, Tianyi Zhang, Percy Liang, "Evaluating Verifiability in Generative Search Engines", arXiv:2304.09848, isinumite noong 19 Abril 2023. arxiv.org/abs/2304.09848

7. Vectara Hallucination Leaderboard, sinuri gamit ang HHEM-2.3, huling na-update noong 11 Mayo 2026. github.com/vectara/hallucination-leaderboard

8. Sebastian Farquhar, Jannik Kossen, Lorenz Kuhn, Yarin Gal, "Detecting hallucinations in large language models using semantic entropy", Nature, 2024;630(8017):625-630. pubmed.ncbi.nlm.nih.gov/38898292

9. Jennifer M. Talarico, David C. Rubin, "Confidence, not consistency, characterizes flashbulb memories", Psychological Science, 2003;14(5):455-461. pubmed.ncbi.nlm.nih.gov/12930476

May nakita kang error sa pahinang ito, o source na mali ang pagkabasa namin? Sabihin sa amin sa pamamagitan ng contact page at itatama namin ang pahina at itatala ang pagbabago sa susunod na review.

Huling nasuri: 30 Hulyo 2026. Muling sinuri sa petsang ito ang mga sipi ng pananaliksik at ang gawi ng produkto. Susunod na review sa 28 Oktubre 2026 (90-araw na siklo). Gumagalaw ang mga benchmark na numero, kaya muling bineberipika sa bawat review ang mga hallucination-rate na numero sa itaas, pati ang bawat pahayag tungkol sa ginagawa ng produkto.