ทุกสิ่งที่จะจดจำคุณย่อมมีผิดพลาด แต่มีสิ่งหนึ่งที่คุณยังแก้ไขได้

เริ่มจากกลไกก่อน เพราะตรวจสอบได้ ขณะที่งานเขียนส่วนใหญ่ในหัวข้อนี้ข้ามเรื่องนี้ไปพูดถึงแต่ความรู้สึก

• เมื่อ AI Persona ไม่มีข้อมูลสำหรับคำถามหนึ่ง ก็ยังมีคำตอบกลับมาอยู่ดี เพราะการเดาได้คะแนนดีกว่าการเว้นว่าง Kalai, Nachum, Vempala และ Zhang โต้แย้งใน "Why Language Models Hallucinate" (arXiv:2509.04664, กันยายน 2025) ว่าโมเดล "ถูกปรับให้เป็นผู้ทำข้อสอบที่เก่ง และการเดาเมื่อไม่แน่ใจช่วยให้คะแนนสอบดีขึ้น"

• การอิงข้อมูลจริงเปลี่ยนประเภทของความผิดพลาด ไม่ได้ทำให้ความผิดพลาดหายไป การตอบจากชุดคำพูดที่คุณบันทึกไว้เองซึ่งถูกดึงมา ทำให้ความล้มเหลวย้ายจาก "แต่งความเห็นที่คุณไม่เคยมี" ลงมาเป็น "เล่าสิ่งที่คุณพูดไว้คลาดเคลื่อน"

• ค่าต่ำสุดที่วัดได้ไม่ใช่ศูนย์ ตารางจัดอันดับการหลอนของ Vectara ที่ให้คะแนนด้วย HHEM-2.3 และอัปเดตเมื่อ 11 พฤษภาคม 2026 ยื่นเอกสารต้นฉบับให้โมเดลและขอเพียงสรุปเอกสารนั้น ผู้นำอันดับหนึ่งก็ยังใส่เนื้อหาที่ไม่มีหลักฐานรองรับลงในสรุป 1.8% และไม่มีรายการอื่นต่ำกว่า 3%

• การดึงข้อมูลไม่มีคะแนนขั้นต่ำ ระบบของเราจัดอันดับความทรงจำของคุณตามความคล้ายเชิงความหมาย หยิบ 32 รายการที่ใกล้ที่สุดแล้วตอบจากรายการเหล่านั้น โดยไม่มีเกณฑ์ที่ต่ำกว่านั้นระบบจะปฏิเสธ คำถามที่ข้อมูลของคุณครอบคลุมได้เพียงครึ่งเดียวจึงถูกตอบจากครึ่งนั้น

• ข้อกล่าวอ้างที่ไม่มีหลักฐานรองรับว่าคุณพูดอะไรจะถูกตัดออกด้วยโค้ด คำตอบที่ยืนยันว่าคุณเคยบอกเราบางอย่างจะถูกตรวจเทียบกับความทรงจำที่ดึงมาในรอบนั้นและกับคำพูดของคุณในเซสชัน และข้อกล่าวอ้างที่ไม่มีหลักฐานรองรับจะไม่ไปถึงผู้อ่าน

• ช่องว่างของความทรงจำจะไม่ถูกประกาศ Persona บนแพลตฟอร์มนี้ได้รับคำสั่งไม่ให้เล่าถึงช่องว่าง คำถามที่ข้อมูลไม่ครอบคลุมจึงได้คำตอบที่สร้างจากรายละเอียดที่ใกล้เคียงที่สุดในความทรงจำของคุณ มีการออกตัวอย่างมากหนึ่งครั้ง แทนที่จะเป็นการปฏิเสธอย่างชัดเจน

• ช่องทางแก้ไขเป็นของคุณตราบที่คุณยังมีชีวิตอยู่ และจะปิดลงเมื่อถึงการล็อก คุณอ่านย้อนดูสิ่งที่บันทึกไว้ แก้คำตอบที่ไม่ดี ลบความทรงจำ และเพิ่มสิ่งที่คุณตกหล่นได้ จากนั้น Executor Lock™ จะตรึงบุคลิกภาพไว้ถาวร ทั้งต่อครอบครัวของคุณ ต่อเจ้าของบริษัทนี้ในอนาคต และต่อเราเอง

สองข้อนั้นเป็นคุณสมบัติของวงการ ที่เหลือเป็นการตัดสินใจ ฉันเป็นคนตัดสินใจเอง และหัวข้อสุดท้ายของหน้านี้บอกตรงๆ ว่าฉันคิดว่าเรายังขาดตกบกพร่องตรงไหน

Kalai และเพื่อนร่วมงานวางอัตราความผิดพลาดกลับไปไว้ในที่ที่มันควรอยู่ คือในการให้คะแนน ไม่ใช่ในตัวเครื่อง ภาพหลอนเริ่มจากความผิดพลาดธรรมดาในการจัดประเภทแบบทวิภาคระหว่างการฝึกเบื้องต้น และคงอยู่เพราะวิธีที่วงการให้คะแนนโมเดล นักเรียนที่เว้นคำถามว่างไว้ได้ศูนย์คะแนน นักเรียนที่เขียนคำตอบที่ฟังดูเข้าท่าบางครั้งก็ได้คะแนนมาบ้าง ฝึกโมเดลภายใต้เงื่อนไขนั้นแล้วคุณจะได้ผู้เดาอย่างมั่นใจ แล้วคุณจะได้อุตสาหกรรมทั้งอุตสาหกรรมที่เต็มไปด้วยผู้เดาอย่างมั่นใจ แล้วคุณจะได้ประโยคเกี่ยวกับวันคริสต์มาสที่ไม่เคยเกิดขึ้น

วิธีบรรเทาที่ผู้เขียนเสนอนั้นน่าเบื่อ คือเปลี่ยนสิ่งที่ถูกให้คะแนน เพื่อให้การงดตอบอย่างรู้ขอบเขตมีค่ามากกว่าการพลาดอย่างมั่นใจ

ความน่าเบื่อสำคัญตรงนี้ หากพฤติกรรมนี้เกิดจากเป้าหมายการฝึก เป้าหมายนั้นก็ตั้งให้ต่างออกไปได้ที่ระดับระบบ ซึ่งหมายความว่าการแต่งเรื่องที่คุณกังวลเป็นการตัดสินใจสร้างของใครสักคน ไม่ใช่กฎของฟิสิกส์ ทุกบริษัทในหมวดนี้ตัดสินใจเรื่องนี้ได้ และการตัดสินใจของเราเขียนไว้ในหัวข้อสุดท้ายของหน้านี้

ยังมีรูปแบบความล้มเหลวที่สอง และเป็นแบบที่รอดจากการอิงข้อมูลจริงได้ Sharma และเพื่อนร่วมงานที่ Anthropic ใน "Towards Understanding Sycophancy in Language Models" (arXiv:2310.13548, ตุลาคม 2023) พบว่าผู้ช่วย AI ระดับแนวหน้า 5 ตัวแสดงพฤติกรรมประจบเอาใจอย่างสม่ำเสมอใน 4 งานสร้างข้อความอิสระที่หลากหลาย ทั้งผู้ประเมินที่เป็นมนุษย์และโมเดลความชอบที่ฝึกจากคำตัดสินของพวกเขาต่างชอบคำตอบประจบเอาใจที่เขียนอย่างน่าเชื่อถือมากกว่าคำตอบที่ถูกต้องในสัดส่วนที่ไม่อาจมองข้าม โมเดลเอนตามคนที่อยู่ตรงหน้า ส่วนหนึ่งเพราะผู้คนให้รางวัลกับการเอนตาม

ในเครื่องมือเพิ่มผลงาน การเอนตามเป็นแค่ความรำคาญ แต่ที่นี่มันคือเครื่องจักรที่ตัดสินว่าพ่อของคุณคงให้อภัยสิ่งที่ท่านไม่เคยให้อภัย เพียงเพราะคนถามอยากได้การให้อภัยและถามซ้ำถึงสามครั้ง นั่นเป็นบั๊กคนละแบบกับการแต่งเรื่อง และต้องแก้คนละวิธี การดึงข้อมูลจัดการแบบแรกได้ แบบที่สองต้องมีคำสั่งชัดเจนให้ยึดจุดยืนที่ดึงมาไว้เมื่อถูกกดดัน และการทดสอบเดียวที่มีความหมายคือโต้เถียงกับมันแล้วดูว่าจุดยืนขยับหรือไม่ เรายังไม่ได้เผยแพร่ผลการวัดว่าระบบของเรายึดได้ดีแค่ไหน

เทคนิคนี้เก่าจนน่าเบื่อ Lewis และเพื่อนร่วมงานใน "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks" (arXiv:2005.11401) แสดงให้เห็นว่าโมเดลที่ดึงเอกสารต้นทางก่อนสร้างคำตอบ ให้ภาษาที่ "เฉพาะเจาะจง หลากหลาย และตรงข้อเท็จจริงมากกว่า" โมเดลที่เทียบเคียงกันซึ่งทำงานจากพารามิเตอร์ของตัวเองเพียงอย่างเดียว

นั่นคือกลไกทั้งหมด และมันเป็นตัวกำหนดว่าคุณกำลังคุยกับสิ่งแบบไหน เวอร์ชันของคุณไม่ควรถูกสร้างขึ้นใหม่จากสิ่งที่โมเดลพื้นฐานซึมซับมาเกี่ยวกับผู้คนโดยทั่วไป จากค่าเฉลี่ยของทุกสิ่งที่เคยเขียนเกี่ยวกับพ่อ สิ่งที่เข้าไปอยู่ในหน้าต่างบริบทควรเป็นคำตอบที่คุณบันทึกไว้จริง และการพูดควรเริ่มจากตรงนั้น

ทีนี้ก็ถึงตัวเลข ซึ่งเปิดเผยต่อสาธารณะ และไม่มีใครในวงการนี้ชอบอ้างถึง ตารางจัดอันดับของ Vectara วัดสิ่งที่ตั้งใจให้ง่าย คือยื่นเอกสารให้โมเดล สั่งให้สรุปโดยใช้เฉพาะสิ่งที่เอกสารบอก แล้วตรวจว่าสรุปใส่สิ่งที่เอกสารไม่มีเข้ามาหรือไม่ ต้นฉบับวางอยู่ตรงนั้นในหน้าต่างบริบท แม้กระนั้น ผู้นำของตารางนั้น คือ Finix S1 32B ของ Antgroup ก็ยังใส่เนื้อหาที่ไม่มีหลักฐานรองรับในสรุป 1.8% และเป็นรายการเดียวที่ต่ำกว่า 3% สองรายการถัดไปอยู่ที่ 3.1% และ 3.3% ส่วนที่เหลือในสิบอันดับแรกอยู่ระหว่าง 3.7% ไปจนเกิน 5%

ผลที่ดีที่สุดที่วัดได้ในงานเวอร์ชันที่ง่ายที่สุดเท่าที่จะเป็นไปได้ ต่ำกว่าสองเปอร์เซ็นต์ เพียงรายเดียว และกลุ่มที่ตามหลังผู้นำอยู่เหนือสามเปอร์เซ็นต์ ใครที่ขายระบบอิงข้อมูลจริงที่ผิดพลาดเป็นศูนย์ ไม่ได้วัดจริง ก็ไม่ได้บอกคุณจริง และฉันอยากให้คุณถามเขาว่าเป็นอย่างไหน

การอิงข้อมูลจริงให้การเปลี่ยนประเภท ไม่ใช่การรักษาให้หาย ความผิดพลาดย้ายออกจากประเภท "แต่งความเห็นทั้งก้อนขึ้นมา" ลงมาสู่ประเภท "เล่าสิ่งที่คุณพูดไว้คลาดเคลื่อนเล็กน้อย" ซึ่งเป็นประเภทที่การเล่าซ้ำของมนุษย์ทั่วไปอยู่แล้ว

ยังมีอีกอย่างที่ตารางจัดอันดับไม่ได้ทดสอบ คือเอกสารต้นทางถูกยื่นให้ ในระบบจริงต้องหาต้นทางให้เจอก่อน ซึ่งเพิ่มรูปแบบความล้มเหลวที่ยังไม่มีใครมีเกณฑ์วัดร่วมกัน คือการดึงข้อมูลที่ได้ความทรงจำผิดอัน หรือไม่ได้อะไรเลยแต่ก็ยังถูกตอบอยู่ดี

ทุกคำตอบอยู่ในสถานะใดสถานะหนึ่งจาก 3 สถานะ

การรวมทั้ง 3 สถานะเข้าเป็นน้ำเสียงมั่นใจน้ำเสียงเดียวคือความเสียหายที่แท้จริง ไม่ใช่ความผิดพลาด แต่เป็นความผิดพลาดที่ไม่ได้บอก ลูกสาวรับมือกับคำตอบที่ไม่แม่นยำได้ถ้ารู้ว่ามันไม่แม่นยำ สิ่งที่เธอรับไม่ไหวคือมารู้เอาเมื่อผ่านไปหกเดือนว่าตัวเองปฏิบัติต่อสิ่งที่สร้างขึ้นใหม่ราวกับเป็นบันทึกจริง

เวอร์ชันของคุณที่พูดว่า "คุณไม่เคยบอกฉันเรื่องนั้น" มีค่ามากกว่าเวอร์ชันที่มีคำตอบพร้อมเสมอ

ตารางนั้นเป็นข้อกำหนด ไม่ใช่คำบรรยายสิ่งที่เราส่งมอบอยู่ในปัจจุบัน ความต่างระหว่างสองอย่างระบุไว้ด้านล่าง และคุณควรอ่านก่อนเชื่อสิ่งใดข้างต้น

การปฏิเสธสร้างได้ และงานวิจัยระบุไว้อย่างระมัดระวัง Zhang และเพื่อนร่วมงานใน "R-Tuning: Instructing Large Language Models to Say I Don't Know" (arXiv:2311.09677, NAACL 2024) รายงานว่าการปรับแต่งแบบตระหนักถึงการปฏิเสธ "ช่วยเพิ่มความสามารถของโมเดลในการตอบคำถามที่รู้ และงดตอบคำถามที่ไม่รู้ได้อย่างมีประสิทธิภาพ" และกับข้อมูลนอกโดเมน ความสามารถในการปฏิเสธทำงานเป็นทักษะเหนือระดับที่ขยายไปสู่งานที่การปรับแต่งไม่เคยครอบคลุม อ่านขีดจำกัดควบคู่กับข้อค้นพบ สิ่งที่พวกเขาปรับแต่งเทียบกับคือขอบเขตของความรู้ในพารามิเตอร์ของตัวโมเดลเอง ไม่ใช่ขอบเขตของชุดบันทึกของคนคนหนึ่ง และยังไม่มีใครเผยแพร่ผลลัพธ์เทียบเท่าสำหรับชุดข้อมูลส่วนบุคคล การปฏิเสธยังคงเป็นสิ่งที่ใครสักคนสร้างขึ้นโดยตั้งใจ ไม่มีโมเดลภาษาใดสร้างการปฏิเสธขึ้นเองได้

การตรวจจับก้าวหน้ากว่าที่การตลาดในหมวดนี้ทำให้ดูเป็น Farquhar, Kossen, Kuhn และ Gal เผยแพร่วิธีหนึ่งใน Nature (2024, เล่ม 630, หน้า 625 ถึง 630) เรียกว่า semantic entropy คือสุ่มหลายคำตอบสำหรับคำถามเดียวกัน จัดกลุ่มตามความหมายไม่ใช่ตามถ้อยคำ และทำเครื่องหมายคำถามที่ความหมายกระจัดกระจาย ความกระจัดกระจายบ่งชี้การแต่งเรื่อง นั่นคือสัญญาณที่วัดได้ว่า "ข้อนี้เป็นการเดา" และคำนวณได้ก่อนที่จะแสดงคำตอบให้ใครเห็น

แหล่งที่มาคืออีกครึ่งหนึ่ง และแหล่งที่มาปลอมได้ง่ายและเชื่อได้ง่าย Liu, Zhang และ Liang ใน "Evaluating Verifiability in Generative Search Engines" (arXiv:2304.09848, เมษายน 2023) ตรวจสอบระบบเชิงพาณิชย์ 4 ระบบที่แสดงการอ้างอิง คือ Bing Chat, NeevaAI, Perplexity.ai และ YouChat พบว่ามีเพียง 51.5% ของประโยคที่สร้างขึ้นที่ได้รับการสนับสนุนเต็มที่จากการอ้างอิงที่แนบมา และมีเพียง 74.5% ของการอ้างอิงที่สนับสนุนประโยคที่มันอยู่ใต้จริง การอ้างอิงที่ตรวจแล้วไม่ตรงแย่กว่าไม่มีการอ้างอิง เพราะมันซื้อความไว้วางใจที่ไม่ได้สมควรได้รับ ลิงก์ "คำตอบนี้มาจากความทรงจำใด" มีค่าก็ต่อเมื่อเปิดลิงก์แล้วเห็นบันทึกจริงของคุณพูดสิ่งที่พูดจริง

เริ่มสร้างมรดกของคุณ สร้างฟรี 25 ความทรงจำ ไม่ต้องใช้บัตร

ลองนึกถึงคำถามที่เกิดหลังชุดบันทึกทั้งหมดของคุณ ข้อเสนองานในปี 2041 ที่บริษัทซึ่งยังไม่มีอยู่ ในเมืองที่คุณไม่เคยเห็น ไม่มีการสัมภาษณ์ใดที่คุณเคยให้จะเก็บมุมมองของคุณต่องานนั้นไว้ได้

ชุดบันทึกที่เป็นข้อสรุปจะไม่ให้อะไรเลยตรงนั้น และผลลัพธ์ที่ซื่อตรงคือการปฏิเสธ ชุดบันทึกที่เป็นเหตุผลทำงานต่างออกไป เพราะวิธีคิดเก็บไว้ได้ในแบบที่ข้อสรุปเก็บไม่ได้ ลองนึกว่ากฎที่ใครสักคนใช้จริงเป็นแบบนี้ ถามว่าจะรายงานต่อใครก่อนถามว่างานจ่ายเท่าไร ไม่เชื่อตำแหน่งที่มาแทนเงิน เดินออกจากใครก็ตามที่คุณทนนั่งตรงข้ามโต๊ะไม่ได้ กฎของคุณเองจะเป็นอย่างไรก็ตาม นั่นคือรูปร่างของมัน และชุดกฎดึงมาใช้กับสถานการณ์ที่มันไม่เคยเห็นได้

ข้อสรุปหมดอายุ กฎยังใช้ได้กับกรณีที่ไม่มีใครบันทึกไว้ นั่นคือเหตุผลที่สิ่งที่ควรบันทึกคือเหตุผลเบื้องหลังการตัดสินใจ ไม่ใช่การตัดสินใจเอง ไม่ใช่สิ่งที่คุณทำ แต่คือทำไมถึงเลือกอย่างนั้น อะไรจะเปลี่ยนใจคุณได้ ครั้งที่กฎล้มเหลวกับคุณแล้วคุณก็ยังใช้มันต่อ

กฎที่ใช้ได้กว้างที่สุดมักเป็นกฎที่คุณไม่เคยคิดจะเขียนลง คือความสามารถธรรมดาที่คุณใช้โดยไม่ได้เล่าให้ใครฟัง และ สิ่งที่มีแต่คุณที่ทำเป็น ออกไปตามหาสิ่งเหล่านั้นโดยเฉพาะ

ความครอบคลุมของชุดบันทึกยังเป็นข้อมูลนำเข้าเพียงอย่างเดียวในหน้านี้ทั้งหมดที่เป็นของคุณ ที่เหลือล้วนเป็นเกณฑ์วัดของคนอื่น

ทำวันนี้ ฟรี เปิดแอปโน้ตแล้วเขียนการตัดสินใจ 10 เรื่องที่คุณทำจริง งาน บ้าน การทะเลาะที่คุณเดินหนี เพื่อนที่คุณเลิกโทรหา เงินที่คุณไม่ได้ให้ยืม ใต้แต่ละเรื่องเขียนกฎที่คุณใช้อยู่ ไม่ใช่ผลลัพธ์ เรื่องละหนึ่งประโยค ใช้เวลาน้อยกว่าหนึ่งชั่วโมงมาก มันเป็นสิ่งที่มีค่าสูงสุดที่คุณทำได้กับข้อมูลของตัวเองในเดือนนี้ และได้ผลไม่ว่าคุณจะซื้ออะไรจากใครหรือไม่ก็ตาม ฉบับยาวของแบบฝึกหัดเดียวกันอยู่ใจกลางของ วิธีสัมภาษณ์ตัวเอง และสถาปัตยกรรมเบื้องล่าง คือโมเดลพื้นฐาน ความทรงจำส่วนตัวที่อิงข้อมูลจริง และโมเดลเสียง อธิบายไว้ใน เกิดอะไรขึ้นเมื่อ AI ถูกฝึกจากคุณคนเดียว

กรณีที่ดีที่สุด 1.8% โดยที่ทุกรายการตามหลังผู้นำอยู่เหนือ 3% ฟังดูน่าตกใจ ไปจนถึงตอนที่คุณถามว่ามันถูกเทียบกับอะไร สิ่งทดแทนที่เป็นจริงคือสมาชิกในครอบครัวที่พยายามคิดว่าคุณจะต้องการอะไร และมีคนวัดเรื่องนั้นไว้เมื่อ 20 ปีก่อน

Shalowitz, Garrett-Mayer และ Wendler เผยแพร่การทบทวนอย่างเป็นระบบใน Archives of Internal Medicine ปี 2006 ครอบคลุม 16 การศึกษา 151 สถานการณ์สมมติ คู่ตัวแทน-ผู้ป่วย 2,595 คู่ และคำตอบที่จับคู่ 19,526 รายการ ตัวแทนทำนายความต้องการด้านการรักษาของผู้ป่วยได้แม่นยำ 68% นี่คือคนที่ใกล้ชิดผู้ป่วยที่สุด มักได้รับแต่งตั้งอย่างเป็นทางการ ตอบเรื่องการตัดสินใจที่มีผลสำคัญที่สุด พวกเขาผิดประมาณหนึ่งครั้งในสามครั้ง การทบทวนยังพบว่าทั้งการพูดคุยเรื่องความต้องการของผู้ป่วยมาก่อน และการได้รับแต่งตั้งอย่างเป็นทางการเป็นผู้ตัดสินใจ ก็ไม่ได้ทำให้แม่นยำขึ้น

การแจ้งครอบครัวล่วงหน้าไม่ช่วยในระดับที่วัดได้ นั่นคือข้อค้นพบ และเป็นสิ่งที่ทำให้ฉันเลิกมองว่า "แค่คุยกับลูก" เป็นคำตอบที่สมบูรณ์

ความมั่นใจก็ไม่ใช่เครื่องนำทางเช่นกัน ซึ่งทำให้ฝั่งมนุษย์ตรวจสอบยากมาก Talarico และ Rubin ใน Psychological Science ปี 2003 ให้นักศึกษา Duke 54 คนบันทึกความทรงจำตอนที่ได้ยินข่าวเหตุการณ์ 11 กันยายนครั้งแรก เคียงกับความทรงจำในชีวิตประจำวันที่เพิ่งเกิด แล้วทดสอบซ้ำหลังผ่านไป 1, 6 หรือ 32 สัปดาห์ ความสอดคล้องไม่ต่างกันระหว่างความทรงจำสองชนิด และลดลงตามเวลาทั้งสองแบบ สิ่งที่ไม่ลดลงสำหรับความทรงจำแบบแฟลชบัลบ์คือความรู้สึกว่าชัดเจนและความเชื่อมั่นว่าถูกต้อง ชื่อเรื่องของพวกเขาคือข้อค้นพบ: ความมั่นใจ ไม่ใช่ความสอดคล้อง คือลักษณะของความทรงจำแบบแฟลชบัลบ์ นั่นคือนักศึกษา 54 คนและเหตุการณ์เดียว จึงควรถือไว้อย่างหลวมๆ แต่มันยังชี้ไปทางเดียว ญาติที่มั่นใจว่าจำได้ตรงๆ ว่าคุณพูดอะไร ไม่ได้มีโอกาสถูกมากกว่าเพราะเหตุนั้น

ไม่มีสิ่งใดข้างต้นทำให้โมเดลดีกว่าครอบครัว และไม่มีการศึกษาใดเทียบสองอย่างนี้โดยตรง สิ่งที่มันทำคือเลิกใช้ "สมบูรณ์แบบไม่งั้นไม่เอา" เป็นบททดสอบ การเปรียบเทียบที่ซื่อตรงคือระหว่างเวอร์ชันของคุณที่ตอบจากคำพูดที่คุณบันทึกไว้เอง ซึ่งอ่านย้อนและแก้ไขได้ตราบที่คุณยังอยู่ กับผู้คนที่สร้างคุณขึ้นใหม่จากความทรงจำของตัวเองที่มีต่อคุณ ซึ่งเลือนไปไม่ว่าจะรู้สึกชัดเจนแค่ไหน และไม่มีใครจะตรวจสอบได้เลย

สิ่งที่เราสร้างมาก่อน แล้วจึงถึง 3 จุดที่มันไม่ตรงกับข้อกำหนดข้างต้น

ไกด์ชื่อ Idy® สัมภาษณ์คุณ คำถามอยู่กับเรื่องเดียวและลงลึกในเรื่องเดียวกัน แทนที่จะไถผ่านข้อเท็จจริงทางชีวประวัติ: ใครอยู่ตรงนั้น เกิดอะไรขึ้นต่อ อะไรเปลี่ยนไปหลังจากนั้น Idy ถูกห้ามอย่างชัดเจนไม่ให้ขอให้คุณชี้แจง อธิบาย หรือให้เหตุผลสิ่งที่คุณเพิ่งพูด ซึ่งเป็นการตัดสินใจที่ตั้งใจให้สวนทางกับแบบฝึกหัดข้างต้น ความอบอุ่นและตอบง่ายชนะความฉลาด เพราะคำถามที่ไม่มีใครอยากตอบไม่ได้บันทึกอะไรเลย คำตอบของคุณกลายเป็นความทรงจำของคุณ สิ่งที่เราสร้างจากมันมีชื่อ และเราเรียกมันว่า "Persona" Persona ตอบด้วยการดึงจากความทรงจำของคุณ ไม่ใช่จากสิ่งที่โมเดลพื้นฐานซึมซับมาเกี่ยวกับผู้คนโดยทั่วไป และเสียงของคุณถูกโคลนจากการบันทึกของคุณเอง สิ่งที่ใครได้ยินจึงเป็นคุณ ไม่ใช่ตัวแทนที่อ่านคำของคุณ

ไม่มีอะไรไปถึงใครจนกว่าคุณจะบอก คุณเป็นผู้เสนอชื่อบุคคล การปล่อยผ่าน Executor Lock™: ผู้ที่ถูกเสนอชื่อเป็นผู้เริ่ม มีการตรวจสอบหลักฐานการเสียชีวิต และมีช่วงพัก 7 วันก่อนปล่อยสิ่งใด เพื่อให้ความผิดพลาดหรือผู้ไม่หวังดีถูกหยุดได้ขณะที่คุณยังมีชีวิตอยู่และเข้ามาแทรกแซงได้ จนถึงตอนนั้นข้อมูลของคุณเป็นของคุณที่จะแก้ไข เพิ่ม และลบ และการแก้ไขส่วนใหญ่ที่จะเกิดขึ้นควรเกิดตรงนั้น โดยคุณ ขณะที่คุณยังแยกได้ว่าอะไรคือการบันทึกที่ไม่ดี และอะไรคือความทรงจำที่ไม่ดี

ที่การล็อก ทุกอย่างถูกบันทึกเป็นสแนปช็อต ไม่มีอะไรถูกตัด ถ่วงน้ำหนักใหม่ หรือสรุปให้สั้นลง หลังจากนั้นยังเขียนความทรงจำระยะสั้นและระยะกลางเพิ่มได้ และบุคลิกภาพถูกตรึงถาวร รวมถึงต่อเราด้วย

ความไม่เปลี่ยนแปลงนั้นมุ่งไปที่ความล้มเหลวที่ไม่มีใครใส่ไว้ในข้อโต้แย้งเรื่องความแม่นยำ เพราะมันคือการแทรกแซงไม่ใช่ความไม่แม่นยำ คือคนที่มีผลประโยชน์ตัดสินใจในปี 2044 ว่าคุณคงสนับสนุนการขายหรือการฟ้องร้อง แล้วปรับชุดข้อมูลอย่างเงียบๆ จนคุณเห็นด้วย บุคลิกภาพที่ถูกตรึงทำให้การแก้ไขประเภทนั้นเป็นไปไม่ได้ ไม่ใช่แค่ไม่สนับสนุน ส่วนด้านกฎหมายของปัญหาเดียวกัน คือใครมีสิทธิ์อนุญาตเวอร์ชันของคุณเมื่อคุณคัดค้านไม่ได้แล้ว อธิบายไว้ใน ใครควบคุมตัวตนของคุณหลังคุณเสียชีวิต ต้นทุนมีจริงและไปทางตรงข้าม: หลังการล็อก ก็แก้ความผิดพลาดไม่ได้เช่นกัน สแนปช็อตซื่อตรง รวมถึงเรื่องความผิดพลาดของคุณ และการแลกเปลี่ยนนั้นถูกทางแล้ว เพราะบันทึกที่ใครก็แก้ได้ไม่เป็นหลักฐานของอะไรเลย

ทีนี้ก็ถึง 3 ช่องว่าง

ขอบของชุดบันทึกไม่ถูกประกาศ คำสั่งที่ใช้งานอยู่ตรงข้ามกับแถว "ไม่ทราบ" ในตารางนั้น เมื่อข้อเท็จจริงเฉพาะไม่อยู่ในความทรงจำของคุณ Persona ที่นี่ถูกบอกไม่ให้เล่าถึงช่องว่าง ไม่พูดว่า "ฉันไม่มีเรื่องนั้น" หรือ "ความทรงจำของฉันบางเบา" และไม่ตรวจสอบการนึกของตัวเองดังๆ ต่อหน้าคนที่ฟังอยู่ สิ่งที่เกิดขึ้นแทนคือคำตอบพูดจากรายละเอียดที่ความทรงจำของคุณมี ออกตัวอย่างมากหนึ่งครั้ง และปล่อยความเงียบให้อีกฝ่ายเติม เหตุผลคือการแสดงช่องว่างทำลายความรู้สึกถึงตัวตนของผู้พูด ต้นทุนคือผู้ฟังแยกไม่ได้เสมอไปว่าคำตอบไหนมีข้อมูลรองรับและไหนบางเบา และเรายังแก้เรื่องนี้ไม่ได้

ยังไม่มีลิงก์ต้นทางที่ผู้อ่านมองเห็น การดึงข้อมูลติดตามว่าความทรงจำใดป้อนให้แต่ละคำตอบ และบันทึกนั้นมีอยู่ในระบบ แต่ไม่มีอะไรแสดงมันในอินเทอร์เฟซ วันนี้คุณจึงคลิกคำตอบแล้วเปิดความทรงจำที่อยู่เบื้องหลังถ้อยคำไม่ได้ จนกว่าสิ่งนั้นจะออก ให้มองข้อโต้แย้งเรื่องการตามย้อนกลับได้ในหน้านี้เป็นข้อโต้แย้ง ไม่ใช่ฟีเจอร์

การดึงข้อมูลไม่มีเกณฑ์ความคล้ายขั้นต่ำ คำตอบมาจากความทรงจำที่ใกล้ที่สุดที่การดึงหาได้ จัดอันดับตามความคล้ายเชิงความหมาย โดยไม่มีคะแนนขั้นต่ำที่ต่ำกว่านั้นระบบจะปฏิเสธ การเลือกเพียงข้อเดียวนี้เป็นกลไกเบื้องหลังทั้งสองช่องว่างข้างต้น และเป็นเหตุผลที่ซื่อตรงว่าทำไมประเภทความผิดพลาดที่นี่คือความไม่แม่นยำ ไม่ใช่การปฏิเสธ

เรายังไม่ได้เผยแพร่การวัดอิสระของอัตราการแต่งเรื่องของเราเอง เพราะเรายังไม่ได้ทำ ไม่มีอะไรในหน้านี้เป็นข้อกล่าวอ้างที่ผ่านการวัดมาตรฐานเกี่ยวกับระบบของเราโดยเฉพาะ

สิ่งที่คุณได้คือเวอร์ชันของคุณที่อิงคำพูดที่คุณบันทึกไว้ มีโค้ดป้องกันการแต่งสิ่งที่คุณบอกเรา แก้ไขได้เต็มที่ตราบที่คุณมีชีวิต และแก้ให้เป็นคนอื่นภายหลังไม่ได้ สิ่งที่คุณไม่ได้คือการรับประกัน และไม่มีใครขายให้คุณได้ไม่ว่าราคาเท่าไร ถ้านั่นยังไม่พอสำหรับคุณ ก็ทำแบบฝึกหัด 10 การตัดสินใจ แล้วเขียนจดหมายถึงครอบครัวแทน นั่นเป็นคำตอบจริง และไม่เสียอะไรเลย

เนื่องจากระบบจะไม่บอกคุณว่าคำตอบมาจากสถานะใดใน 3 สถานะ วิธีเดียวที่จะรู้คือรู้คำตอบก่อนถาม ใส่ข้อมูลของคุณเองเข้าไปบ้าง ถามสิ่งหนึ่งที่คุณรู้ว่าบันทึกไว้ และสิ่งหนึ่งที่คุณรู้ว่าไม่เคยแตะต้อง แล้วอ่านคำตอบทั้งสองเทียบกัน ความทรงจำ 25 รายการฟรี ไม่ขอบัตรเลยไม่ว่าตอนไหน และการสร้างแบบฟรีไม่หมดอายุ ทำในบ่ายวันเดียวแล้วคุณจะรู้มากกว่าที่หน้านี้บอกได้

เริ่มสร้างมรดกของคุณ สร้างฟรี 25 ความทรงจำ ไม่ต้องใช้บัตร

จะเกิดอะไรขึ้นเมื่อไม่มีอะไรในความทรงจำของฉันครอบคลุมคำถาม?

นั่นคือสถานะ "ไม่ทราบ" ระบบที่รู้ขอบเขตของตัวเองควรตอบด้วยการปฏิเสธในเสียงของคุณที่ระบุช่องว่างและเสนอสิ่งที่ใกล้เคียงที่สุดที่คุณบันทึกไว้ และ Zhang และเพื่อนร่วมงานรายงานในปี 2024 ว่าการปรับแต่งแบบตระหนักถึงการปฏิเสธช่วยเพิ่มความสามารถของโมเดลในการงดตอบคำถามที่เกินความรู้ของมัน โดยความสามารถขยายไปไกลกว่าชุดที่ปรับแต่ง สิ่งที่ระบบของเราทำในปัจจุบันต่างออกไป และคุณควรรู้ก่อนพึ่งคำตอบใดๆ: Persona ที่นี่ถูกสั่งไม่ให้เล่าถึงช่องว่างของความทรงจำ คำถามที่ไม่ครอบคลุมจึงได้คำตอบที่สร้างจากรายละเอียดที่ใกล้เคียงที่สุดที่ความทรงจำของคุณมี พร้อมการออกตัวอย่างมากหนึ่งครั้ง แทนที่จะเป็นการปฏิเสธอย่างชัดเจน ลองถามสิ่งที่คุณรู้ว่าไม่เคยบันทึก แล้วดูด้วยตัวเองว่าอะไรกลับมา

AI เวอร์ชันของฉันจะแต่งความเห็นที่ฉันไม่เคยมีได้ไหม?

ระบบที่อิงข้อมูลจริงดึงจากข้อมูลที่คุณบันทึกก่อน ความล้มเหลวที่พบบ่อยจึงเป็นความไม่แม่นยำเรื่องสิ่งที่คุณพูดไว้จริง ไม่ใช่การแต่งสิ่งที่คุณไม่ได้พูด การแต่งยังเป็นไปได้ นั่นคือเหตุผลที่เป้าหมายการออกแบบคือให้เห็นความต่างชัดเจนระหว่างคำตอบที่คุณให้ไว้ การอนุมานจากเหตุผลของคุณ และการปฏิเสธ และเป็นเหตุผลที่คุณควรทดสอบทั้ง 3 แบบก่อนเชื่อแบบใดแบบหนึ่ง

การอิงข้อมูลจริงทำให้อัตราผิดพลาดเป็นศูนย์ไหม?

ไม่ ตารางจัดอันดับของ Vectara ที่อัปเดตเมื่อ 11 พฤษภาคม 2026 ยื่นเอกสารให้โมเดลและขอสรุปโดยใช้เฉพาะเอกสารนั้น ซึ่งเป็นงานอิงข้อมูลจริงที่ง่ายที่สุดเท่าที่จะเป็นไปได้ โมเดลผู้นำก็ยังใส่เนื้อหาที่ไม่มีหลักฐานรองรับในสรุป 1.8% และไม่มีรายการอื่นต่ำกว่า 3% ระบบจริงยังต้องดึงต้นทางที่ถูกต้องก่อน ซึ่งตารางจัดอันดับไม่ได้ทดสอบ ถือว่าข้อกล่าวอ้างใดๆ ว่าเป็นศูนย์คือความล้มเหลวในการวัด

จะรู้ได้อย่างไรว่าคำตอบหนึ่งเป็นการเดา?

มี 2 กลไกในงานวิจัย และวันนี้เราไม่ได้ส่งมอบทั้งสองอย่าง Semantic entropy ที่เผยแพร่ใน Nature ปี 2024 สุ่มหลายคำตอบสำหรับคำถามเดียวกันและจัดกลุ่มตามความหมาย: เมื่อความหมายกระจัดกระจาย ระบบน่าจะกำลังแต่งเรื่อง และสัญญาณนั้นคำนวณได้ก่อนที่ใครจะเห็นคำตอบ ลิงก์แหล่งที่มาคือกลไกที่สอง และมีค่าก็ต่อเมื่อเปิดแล้วใช้ได้จริง Liu, Zhang และ Liang ตรวจสอบระบบเชิงพาณิชย์ 4 ระบบที่แสดงการอ้างอิงและพบว่ามีเพียง 51.5% ของประโยคที่ได้รับการสนับสนุนเต็มที่จากการอ้างอิงของตัวมันเอง คำตอบของเรายังไม่มีลิงก์ต้นทางที่ผู้อ่านมองเห็น ตอนนี้วิธีตรวจสอบที่ซื่อตรงจึงคือถามสิ่งที่คุณรู้ว่าบันทึกไว้และสิ่งที่คุณรู้ว่าไม่ได้บันทึก แล้วเทียบกัน

AI เวอร์ชันของฉันจะเห็นด้วยกับใครก็ตามที่คุยด้วยหรือเปล่า?

แนวโน้มนั้นมีจริงและมีการบันทึกไว้ และการดึงข้อมูลไม่ได้แก้บั๊กนั้นโดยเฉพาะ นักวิจัยของ Anthropic พบในปี 2023 ว่าผู้ช่วย AI ชั้นนำ 5 ตัวเอนตามผู้ใช้อย่างสม่ำเสมอ ส่วนหนึ่งเพราะทั้งผู้ประเมินที่เป็นมนุษย์และโมเดลความชอบที่สร้างจากคำตัดสินของพวกเขาชอบคำตอบที่เห็นด้วยมากกว่าคำตอบที่ถูกต้องในสัดส่วนที่วัดได้ ระบบที่สร้างบนจุดยืนที่คุณบันทึกไว้ควรยึดจุดยืนที่คุณถือจริงแม้คนถามจะกดดัน เรายังไม่ได้วัดว่าระบบของเราทำเรื่องนี้ได้ดีแค่ไหน ลองทดสอบเองโดยโต้เถียงกับสิ่งที่คุณสร้างแล้วดูว่าจุดยืนขยับหรือไม่

ฉันแก้ไขความผิดพลาดได้ไหม และมีใครแก้ไขฉันได้ไหมหลังฉันตาย?

ข้อแรกได้ ข้อหลังไม่ได้ ขณะที่คุณยังมีชีวิต คุณตรวจดูความทรงจำ แก้สิ่งที่ผิด ลบสิ่งที่คุณเสียใจ อัดคำตอบที่ไม่ดีใหม่ และเพิ่มสิ่งที่ตกหล่นได้ และนี่คือส่วนที่คนส่วนใหญ่ใช้น้อยเกินไป ช่องทางเขียนไม่จำกัดก่อน Executor Lock™ และปิดหลังจากนั้น ในขณะที่การล็อกทำงาน บุคลิกภาพถูกตรึงถาวร: ยังเขียนความทรงจำระยะสั้นและระยะกลางได้ แต่ไม่มีใครเปลี่ยนตัวตนของคุณในสแนปช็อตได้ รวมถึงครอบครัวของคุณ เจ้าของบริษัทนี้ในอนาคต และเราเอง ข้อจำกัดนั้นมุ่งที่การแทรกแซงไม่ใช่การแต่งเรื่อง และสองอย่างนี้ต้องใช้กลไกแยกกัน

• ไม่มีใครสำคัญพอจะทิ้งอะไรไว้ และทำไมความคิดนั้นผิด คือข้อคัดค้นที่อยู่ใต้เรื่องนี้สำหรับคนส่วนใหญ่ และควรอ่านถ้าความแม่นยำไม่ใช่ความลังเลที่แท้จริงของคุณ

• การถูกคนที่รู้จักคุณจดจำผิด พูดถึงความรู้สึกมากกว่ากลไก ซึ่งเป็นสิ่งที่พาคนส่วนใหญ่มาที่หน้านี้ตั้งแต่แรก

• การทำ AI ของตัวเองแปลกไหม สำหรับบทสนทนาแบบที่คุณจะต้องคุยกับคู่ที่รู้สึกว่าแนวคิดทั้งหมดนี้น่าอึดอัดมากกว่าไม่แม่นยำ

• ฉันจะพูดอะไรกับ AI ของตัวเอง คือก้าวต่อไปที่ใช้ได้จริง ถ้าแบบฝึกหัด 10 การตัดสินใจได้ผลและคุณอยากได้ชุดคำถามที่ยาวขึ้น

• จริยธรรมของ AI Persona ของผู้ที่จากไปแล้ว คือการกล่าวถึงเรื่องความยินยอม การอ้างเกินจริง และจุดที่เทคโนโลยีนี้สร้างอันตรายจริงอย่างครบถ้วนกว่า

• แผนแบบชำระเงินเพิ่มอะไร คือเรื่องราคา ถ้าคุณใช้เกิน 25 ความทรงจำและต้องการส่วนที่เหลือ

ตัวเลขทุกตัวที่อ้างถึงที่นี่มาจากบุคคลที่สาม: บทความวิชาการที่ผ่านการประเมินโดยผู้ทรงคุณวุฒิและพรีปรินต์ (arXiv, Nature, Psychological Science, Archives of Internal Medicine) บวกคลังเกณฑ์วัดที่ดูแลสาธารณะหนึ่งแห่ง เราไม่ได้รันเกณฑ์วัดของเราเองสำหรับหน้านี้ ทุกข้อความเกี่ยวกับสิ่งที่ผลิตภัณฑ์ของเราทำหรือไม่ทำถูกตรวจทีละบรรทัดกับซอร์สของแพลตฟอร์มเมื่อ 30 กรกฎาคม 2026 และไฟล์ต่างๆ ระบุไว้พร้อมแหล่งที่มา ข้อกล่าวอ้าง 3 ข้อที่เคยอยู่ในหน้านี้ไม่ผ่านการตรวจนั้น และถูกแทนที่ด้วยสิ่งที่โค้ดทำจริง

สิ่งที่ยังไม่ข้อสรุป: ไม่มีการวัดอิสระที่เผยแพร่เกี่ยวกับอัตราการแต่งเรื่องของระบบที่อิงข้อมูลที่บันทึกของคนคนเดียว ตัวเลขการสรุปเอกสาร ผู้นำที่ 1.8% และที่เหลือทั้งหมดเหนือ 3% จึงเป็นตัวแทนที่ใกล้ที่สุดที่หาได้ ไม่ใช่ตัวเลขเทียบเท่ากันโดยตรง ความล้มเหลวของการดึงข้อมูล ที่ได้ความทรงจำผิดอันหรือไม่ได้เลย ไม่มีเกณฑ์วัดร่วม ตัวเลขความแม่นยำของตัวแทน 68% มาจากการศึกษาการตัดสินใจทางการแพทย์ที่ใช้สถานการณ์สมมติ และใช้ที่นี่เป็นการเปรียบเทียบกับการระลึกของครอบครัว ซึ่งเป็นการเปรียบเทียบที่สมเหตุสมผลแต่ไม่ใช่ที่พิสูจน์แล้ว ผลการปฏิเสธของ R-Tuning วัดเทียบกับขอบเขตของความรู้ในพารามิเตอร์ของโมเดลเอง ไม่ใช่ชุดข้อมูลส่วนบุคคล การนำมาใช้ที่นี่จึงเป็นข้อโต้แย้งโดยการเปรียบเทียบเช่นกัน ข้อค้นพบเรื่องความทรงจำแบบแฟลชบัลบ์อาศัยนักศึกษา 54 คนและเหตุการณ์เดียว

1. ผู้เขียน: Adam Tauman Kalai, Ofir Nachum, Santosh S. Vempala, Edwin Zhang บทความ "Why Language Models Hallucinate" (ทำไมโมเดลภาษาจึงหลอน) arXiv:2509.04664 ส่งเมื่อ 4 กันยายน 2025 arxiv.org/abs/2509.04664

2. ผู้เขียน: David I. Shalowitz, Elizabeth Garrett-Mayer, David Wendler บทความ "The accuracy of surrogate decision makers: a systematic review" (ความแม่นยำของผู้ตัดสินใจแทน: การทบทวนอย่างเป็นระบบ) วารสาร Archives of Internal Medicine ปี 2006 เล่ม 166 ฉบับที่ 5 หน้า 493-497 pubmed.ncbi.nlm.nih.gov/16534034

3. ผู้เขียน: 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 บทความ "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks" (การสร้างคำตอบเสริมด้วยการดึงข้อมูลสำหรับงาน NLP ที่ใช้ความรู้เข้มข้น) arXiv:2005.11401 ส่งเมื่อ 22 พฤษภาคม 2020 แก้ไขเมื่อ 12 เมษายน 2021 arxiv.org/abs/2005.11401

4. ผู้เขียน: Mrinank Sharma และคณะ (Anthropic) บทความ "Towards Understanding Sycophancy in Language Models" (สู่ความเข้าใจพฤติกรรมประจบเอาใจในโมเดลภาษา) arXiv:2310.13548 ส่งเมื่อ 20 ตุลาคม 2023 arxiv.org/abs/2310.13548

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

6. ผู้เขียน: Nelson F. Liu, Tianyi Zhang, Percy Liang บทความ "Evaluating Verifiability in Generative Search Engines" (การประเมินความตรวจสอบได้ในเครื่องมือค้นหาเชิงสร้างสรรค์) arXiv:2304.09848 ส่งเมื่อ 19 เมษายน 2023 arxiv.org/abs/2304.09848

7. ตารางจัดอันดับการหลอนของ Vectara (Vectara Hallucination Leaderboard) ประเมินด้วย HHEM-2.3 อัปเดตล่าสุดเมื่อ 11 พฤษภาคม 2026 github.com/vectara/hallucination-leaderboard

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

9. ผู้เขียน: Jennifer M. Talarico, David C. Rubin บทความ "Confidence, not consistency, characterizes flashbulb memories" (ความมั่นใจ ไม่ใช่ความสอดคล้อง คือลักษณะของความทรงจำแบบแฟลชบัลบ์) วารสาร Psychological Science ปี 2003 เล่ม 14 ฉบับที่ 5 หน้า 455-461 pubmed.ncbi.nlm.nih.gov/12930476

พบข้อผิดพลาดในหน้านี้ หรือแหล่งที่มาที่เราอ่านผิดหรือไม่ แจ้งเราผ่าน หน้าติดต่อ แล้วเราจะแก้ไขหน้านี้และบันทึกการเปลี่ยนแปลงในการตรวจสอบครั้งถัดไป

ตรวจสอบล่าสุด: 30 กรกฎาคม 2026 ตรวจสอบการอ้างอิงงานวิจัยและพฤติกรรมของผลิตภัณฑ์ซ้ำอีกครั้งในวันนี้ การตรวจสอบครั้งถัดไปครบกำหนด 28 ตุลาคม 2026 (รอบ 90 วัน) ตัวเลขเกณฑ์วัดเปลี่ยนไปได้ ดังนั้นตัวเลขอัตราการหลอนข้างต้นจะถูกตรวจยืนยันใหม่ทุกครั้งที่ตรวจสอบ เช่นเดียวกับทุกข้อกล่าวอ้างเกี่ยวกับสิ่งที่ผลิตภัณฑ์ทำ