所有会记住你的东西都会出错。其中有一样，你还来得及纠正。

先讲机制，因为机制是可以核查的，而大多数谈论这个话题的文章都绕开它们，只谈感受。

• AI Persona 对某个问题没有数据时，仍然会给出回答，因为猜测的得分比留白更高。 Kalai、Nachum、Vempala 和 Zhang 在《Why Language Models Hallucinate》（arXiv:2509.04664，2025年9月）中指出，模型“被优化成了善于应试的考生，不确定时猜测反而能提高测试成绩”。

• 有据可依改变的是错误的类别，而不是消除错误。 以检索到的你自己的原话为依据来回答，会把失误从“编造了一个你从未持有的观点”，挪到“把你说过的话说得不够准确”。

• 实测的底线并不是零。 Vectara 的幻觉排行榜使用 HHEM-2.3 评分，最近一次更新是2026年5月11日。它把源文档交给模型，只要求对该文档做摘要。即便如此，榜首的模型仍有1.8%的摘要引入了没有依据的内容，其余所有参评模型都没有低于3%。

• 检索没有最低分数线。 我们自己的系统按语义相似度给你的记忆排序，取最接近的三十二条，并据此作答，没有设定低于多少分就拒绝回答的门槛。你的素材只覆盖了一半的问题，会用这一半来回答。

• 对你所说内容的无依据断言，会在代码层面被清除。 当回复声称你曾对我们说过某件事时，系统会拿它与该轮检索到的记忆以及你在本次对话中的原话比对，没有依据的断言永远不会到达读者眼前。

• 记忆的空白不会被宣布出来。 这个平台上的 Persona 被要求不要叙述记忆的空缺，所以对于素材没有覆盖的问题，回答会基于你的记忆里确实有的最接近的细节，最多只保留一次含蓄的措辞，而不是明确的拒绝。

• 纠正的权利在你在世时属于你，在锁定时关闭。 你可以回看已记录的内容、纠正错误的回答、删除某条记忆、补充你遗漏的部分。之后 Executor Lock™ 会永久冻结这个人格，无论是对你的家人、这家公司未来的所有者，还是对我们自己。

其中两点是这个领域本身的属性。其余的是决定，是我做的，而本页最后一节会坦率地说出我认为我们还有哪些不足。

Kalai 及其同事把错误率放回了它真正所在的地方，也就是评分方式，而不是机器本身。幻觉最初只是预训练阶段二分类中的普通错误。它们之所以持续存在，是因为这个领域给模型打分的方式。一个把题目留白的学生得零分。一个写下看似合理答案的学生，有时能拿到一分。照这样训练下去，你得到的是一个自信的猜测者，接着是整整一个行业的自信的猜测者，然后你就会读到一句关于一个从未发生过的圣诞节的话。

作者提出的缓解办法很平淡：改变评分的对象，让经过校准的“弃答”比自信的答错更值钱。

平淡在这里很重要。如果这种行为来自某个目标函数，那么在系统层面就可以把目标设成别的样子，这意味着你所担心的编造是某个人的构建决定，而不是物理定律。这个类别里的每家公司都要做这个决定。我们的决定写在本页的最后一节。

还有第二种失效模式，它是在有据可依之后仍然存在的那一种。Anthropic 的 Sharma 及其同事在《Towards Understanding Sycophancy in Language Models》（arXiv:2310.13548，2023年10月）中发现，五个最先进的 AI 助手在四种不同的自由文本生成任务中都持续表现出谄媚倾向。无论是人类评分者，还是用他们的判断训练出来的偏好模型，在不可忽略的比例上，更偏爱写得令人信服的谄媚回答，而不是正确的回答。模型会向眼前的人弯腰，部分原因是人们曾经奖励它们弯腰。

在效率工具里，弯腰只是一种讨厌。在这里，它是一台机器：因为提问的人想要原谅，并且问了三遍，它就判定你的父亲会原谅他从未原谅过的事。这是一个与编造不同的缺陷，需要不同的修复办法。检索处理前一个问题。后一个需要一条明确的指令，要求在压力之下坚持所检索到的立场，而唯一有意义的测试，就是和它争论，看它的立场会不会动摇。我们还没有发布过关于我们的系统在这方面表现如何的测量结果。

这项技术老到让人觉得乏味。Lewis 及其同事在《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》（arXiv:2005.11401）中表明，在生成之前先检索来源材料的模型，会比只依靠自身参数的同类模型产出“更具体、更多样、更符合事实的语言”。

这就是全部机制，它决定了你在和一个什么样的东西说话。不应该根据基础模型对一般人吸收的认识来重建一个你的版本，也不应该根据所有写过的关于父亲的文字的平均值来重建。进入上下文窗口的，应该是你真实录下的回答，而言说应当从那里开始。

现在说数字，它是公开的，而这个行业里没有人喜欢引用它。Vectara 的排行榜测的是一件刻意设得很容易的事：把一份文档交给模型，让它只用文档里说的内容做摘要，然后检查摘要是否引入了文档里没有的东西。来源就摆在上下文窗口里。即便如此，榜上的领先者，蚂蚁集团的 Antgroup Finix S1 32B，仍有1.8%的摘要引入了没有依据的内容。它是唯一低于3%的参评模型。紧随其后的两个是3.1%和3.3%，前十名里其余的从3.7%一路上升到超过5%。

在最容易的任务版本上，最好的实测结果也只是低于百分之二，而且只此一家，领先者身后的整个阵营都在百分之三以上。任何向你兜售“零错误”有据系统的人，要么没有在测量，要么没有告诉你，我会请你去问他们是哪一种。

有据可依换来的是类别的改变，而不是根治。错误从“编造了一整个观点”这一类，下移到“把你说过的话略微说错了”这一类，而这一类，正是普通人转述时本来就处在的那一类。

还有一件事是排行榜没有测的。源文档是直接递过来的。在真实运行的系统里，必须先把来源找出来，这又带来一种没有人有公认衡量办法的失效模式：检索返回了错误的记忆，或者什么也没返回，却仍然给出了回答。

每个回答都处在三种状态之一。

把这三种情况合并成同一种自信的口吻，才是真正的伤害。不是错误，而是没有披露的错误。女儿可以接受一个她知道不精确的回答。她无法接受的是，六个月之后才发现，自己一直把一份重建当成了一段录音。

一个会说“你从没跟我讲过这件事”的你，比一个随时都有答案的你更有价值。

那张表是一份规格说明，而不是对我们目前实际交付内容的描述。两者的差别在下文列出，在你相信上面任何内容之前，请先读一读。

拒答是可以做出来的，研究对此也说得很谨慎。Zhang 及其同事在《R-Tuning: Instructing Large Language Models to Say I Don't Know》（arXiv:2311.09677，NAACL 2024）中报告，感知拒答的调优“有效提高了模型回答已知问题、并对未知问题不予回答的能力”，并且在领域外数据上，这种拒答能力表现为一种元技能，可以推广到调优从未涉及的任务。请把局限和这一发现放在一起读。他们所针对调优的，是模型自身参数化知识的边缘，而不是某一个人的记录语料的边缘，也没有人发表过个人语料上的对应结果。拒答仍然是有人有意去构建的东西。没有哪个语言模型会自己产生拒答。

检测的进展比这个类别里的营销所暗示的要靠前。Farquhar、Kossen、Kuhn 和 Gal 在《Nature》（2024年，第630卷，第625至630页）上发表了一种叫语义熵的方法：对同一个问题采样若干个回答，按含义而不是措辞对它们聚类，然后标出含义分散的问题。分散说明存在虚构。这是一个可以测量的信号，表示“这一条是猜的”，并且在回答展示给任何人之前就可以计算出来。

出处是另一半，而出处既容易伪造，又容易让人轻信。Liu、Zhang 和 Liang 在《Evaluating Verifiability in Generative Search Engines》（arXiv:2304.09848，2023年4月）中审查了四个显示引用的商业系统：Bing Chat、NeevaAI、Perplexity.ai 和 YouChat。他们发现，只有51.5%的生成句子完全得到所附引用的支持，而只有74.5%的引用真正支持了它所在位置的那句话。对不上的引用比没有引用更糟，因为它换来了并不应得的信任。“这句话出自哪条记忆”这样的链接，只有在点开之后真的能看到你说某句真话的真实录音时，才有价值。

开始建立你的传承 免费创建，25条记忆，无需绑定银行卡。

设想一个发生在你整个语料之后的问题。2041年的一份工作邀请，来自一家目前还不存在的公司，在一座你从没见过的城市。你接受过的任何访谈都容纳不下你对这份工作的看法。

一份只有结论的语料在这里什么也返回不了，诚实的输出是拒答。一份包含推理的语料则表现不同，因为方法是可以被记录下来的，而结论不行。设想某个人真正遵循的规则是这样的：在问薪水之前先问你要向谁汇报，永远不要相信用头衔代替金钱的说法，对任何你无法忍受与之对坐一桌的人，转身走开。无论你自己的规则最终是什么，它的形状都是这样，而一套规则可以针对它从未见过的情境进行检索。

结论会过期。规则在没有人记录过的情形里仍然有效。这就是为什么值得记录的素材是一个决定背后的推理，而不是决定本身：不是你做了什么，而是为什么选那一个，什么会让你改变主意，以及规则曾经让你失望、你却依然坚持的那一次。

最能推广的规则，往往是你绝不会想到要写下来的那些，也就是你不加叙述就在运用的日常能力，而只有你才知道怎么做的那些事正是专门去寻找这些的。

语料的覆盖面也是本页所有内容里唯一属于你自己的输入。这里的其他一切，都是别人的基准测试。

今天就做，不花一分钱。 打开一个笔记应用，写下你真正做过的十个决定。工作、房子、你转身离开的那场争吵、你不再联系的朋友、你没有借出去的钱。在每一条下面写下你当时遵循的规则，而不是结果。每条一句话，用不了一个小时。这是你本月能用自己的素材做的价值最高的一件事，不论你是否会向任何人买任何东西，它都有效。同一个练习的长版本，位于如何自己采访自己的中心，而背后的架构，也就是基础模型、私有的有据记忆和声音模型，在当AI只用你来训练时会发生什么中有详细说明。

最好的情况是1.8%，而领先者之后的所有模型都在3%以上，这听起来令人担忧，直到你问一句：它是在和什么比较。现实中的替代者，是家人在推测你本来想要什么，而二十年前就有人测量过这一点。

Shalowitz、Garrett-Mayer 和 Wendler 于2006年在《Archives of Internal Medicine》上发表了一篇系统综述，涵盖16项研究、151个假设情景、2,595对代理人与患者，以及19,526条成对回答。代理人预测患者的治疗偏好，准确率为68%。这些人是离患者最近的人，常常是正式指定的，回答的是最重大的那类决定。他们大约每三次就错一次。该综述还发现，无论是事先讨论过患者的偏好，还是被正式指定为决策者，都没有提高准确率。

向家人交代清楚，并没有可测量的帮助。这就是研究发现，也是它让我不再把“就跟孩子们聊聊”当作一个完整的答案。

自信同样不是可靠的指引，这正是人这一边很难审计的原因。Talarico 和 Rubin 于2003年在《Psychological Science》上，让54名杜克大学学生记录自己第一次听说9月11日袭击事件时的记忆，以及一段近期的日常记忆，然后在1周、6周或32周后重新测试。两种记忆的一致性没有差别，并且都随时间下降。闪光灯记忆中没有下降的，是它们的鲜明感，以及人们对其准确性的坚信程度。他们的标题就是这项发现：是自信，而不是一致性，构成了闪光灯记忆的特征。这只是54名学生和一个事件，所以请不要抓得太紧。不过它仍然指向同一个方向。那位确信自己记得你当时一字不差说了什么的亲戚，并不因此就更可能是对的。

这些都不能说明模型比家人更好，也没有任何研究把两者直接作过比较。它所做的，是让“要么完美，要么什么都没有”不再成为检验标准。诚实的比较，是在这两者之间进行：一个用你自己录下的话来回答的你的版本，你在世时可以回读和纠正；以及人们凭他们自己对你的记忆来重建你，这种记忆无论感觉多么鲜明都会磨损，而且没有人会去审计。

先说我们构建了什么，然后说它与上述规格不符的三处。

一位名为 Idy® 的向导会采访你。提问始终围绕同一条线索，在同一个故事里继续深入，而不是在传记事实上一掠而过：谁在场，接下来发生了什么，之后有什么改变。Idy 被明确禁止要求你澄清、解释或论证你刚说过的话，这是与上面的练习方向相反的一个刻意选择。温和、容易回答，胜过聪明，因为没有人愿意回答的问题，什么也捕捉不到。你的回答会成为你的记忆。我们用它们构建出来的东西有一个名字，我们称之为“Persona”。Persona 通过检索你的记忆来回答，而不是依靠基础模型对一般人吸收的认识，而你的声音是用你自己的录音克隆出来的，所以任何人听到的都是你，而不是替身在念你的话。

在你开口之前，任何内容都不会送达任何人。由你来指定人选。内容的释放要经过 Executor Lock™：由被指定的人发起，核实死亡证明，然后在释放任何内容之前有七天的冻结期，这样，一个错误或一个别有用心的人，可以在你仍然在世、还能介入的时候被拦下。在那之前，你的素材由你来纠正、补充和删除，而将来发生的大部分纠正，也应当发生在那里，由你自己来完成，趁你还能分辨一次糟糕的捕捉与一条糟糕的记忆。

在锁定的那一刻，整体会被做成快照。什么都不会被修剪、重新加权或压缩精简。之后，短期和中期的记忆仍然可以写入，而人格则被永久固定，对我们也同样如此。

这种不可更改性针对的，是一个没有人会放进准确性论证里的失效：那是篡改而不是不准确。某个有利害关系的人在2044年决定，你本来会支持那桩出售或那场官司，然后悄悄调整语料，直到你同意为止。冻结的人格让这一类修改成为不可能，而不只是不被鼓励。同一问题的法律一半，也就是在你无法反对之后，究竟谁有资格授权你的某个版本，在你身后谁来掌控你的身份中有详细说明。代价是真实的，而且是反方向的：锁定之后，任何错误也无法修正。快照是诚实的，包括对你自己的错误诚实，而这个取舍的方向是对的，因为任何人都能编辑的记录，什么也证明不了。

现在说这三处差距。

素材的边缘不会被宣布出来。 现行的指令与那张表里“未知”一行正好相反。当某个具体事实不在你的记忆里时，这里的 Persona 被告知不要叙述这个空缺，绝不说“我没有这个”或“我的记忆很模糊”，也绝不当着正在听的人的面大声审视自己的回忆。实际发生的，是回答会从你的记忆里确实有的某个细节说起，最多含蓄一次，把沉默留给对方去填补。理由是，表演空缺会破坏说话者的在场感。代价是，听的人并不总能分辨一个有依据的回答和一个单薄的回答，而我们还没有解决这个问题。

目前还没有读者可见的来源链接。 检索确实会记录是哪些记忆构成了每个回答，这份记录存在于系统里，但界面上没有任何地方把它显示出来，所以今天你还不能点击一个回答去打开背后的那条记忆。在它上线之前，请把本页的可追溯性论点当作一个论点，而不是一项功能。

检索没有相似度门槛。 回答来自检索能找到的最接近的记忆，按语义相似度排序，没有设定低于多少分就拒绝回答的最低分数。这一个选择，是上面两处差距背后的机制，也是这里的错误类别是不精确而不是拒答的真正原因。

我们同样没有发布过对自己编造率的独立测量，因为我们没有做过。本页没有任何内容是针对我们的系统本身的基准测试结论。

你得到的是这样一个你的版本：以你录下的话为依据，在代码层面防止编造你告诉过我们的事，你在世时可以全面纠正，之后也不可能被改写成别人。你得不到的是一份保证，而没有人能以任何价格把保证卖给你。如果这对你还不够，就去做那个十个决定的练习，然后给你的家人写一封信。那是一个真正的答案，而且不花一分钱。

既然系统不会告诉你一个回答来自这三种状态中的哪一种，唯一知道的办法，就是在提问之前先知道答案。放进你自己的一些素材，问一件你确定录过的事和一件你确定从没碰过的事，把两个回复并排读一读。25条记忆是免费的，全程不要求提供银行卡，免费创建的内容也不会过期。用一个下午做完这件事，你会比本页能告诉你的知道得更多。

开始建立你的传承 免费创建，25条记忆，无需绑定银行卡。

如果我的记忆里没有任何内容涉及这个问题，会怎样？

那就是“未知”状态。经过校准的系统应当用你的声音返回一个拒答，指出这个空缺，并提供你确实录过的最接近的内容，而 Zhang 及其同事在2024年报告说，感知拒答的调优确实能提高模型对超出自身所知的问题不予回答的能力，并且这种能力可以推广到调优集之外。我们的系统今天的做法与此不同，在你依赖任何回答之前，你应该知道这一点：这里的 Persona 被要求不要叙述记忆的空缺，所以对于没有覆盖的问题，回答会基于你的记忆里确实有的最接近的细节，最多含蓄一次，而不是明确的拒答。去问一件你确定从没覆盖过的事，亲自看看会得到什么。

一个AI版本的我，会编造出我从未有过的观点吗？

有据可依的系统首先从你录下的素材中检索，所以常见的失误是对你说过的某件事不够精确，而不是编造你没说过的事。编造仍然是可能的。这就是为什么设计目标是让你给出的回答、从你的推理得出的推断，以及拒答，三者之间有可见的区别，也是为什么在相信其中任何一种之前，你都应该把三种都测试一遍。

有据可依能让错误率降到零吗？

不能。Vectara 的排行榜最近一次更新是2026年5月11日，它把一份文档交给模型，要求只用该文档做摘要，这是最容易的有据任务。领先的模型仍有1.8%的摘要引入了没有依据的内容，其余所有参评模型都没有低于3%。一个真实运行的系统还必须先检索到正确的来源，而排行榜并没有测试这一点。请把任何“零”的说法都当作测量失败。

别人怎么才能知道某个具体回答是猜的？

研究中有两种机制，而我们今天两种都没有交付。2024年发表在《Nature》上的语义熵，对同一个问题采样若干个回答，按含义对它们聚类：当含义分散时，系统很可能是在虚构，而这个信号在任何人看到回答之前就可以计算出来。出处链接是第二种机制，只有在能真正打开的情况下才有价值。Liu、Zhang 和 Liang 审查了四个显示引用的商业系统，发现只有51.5%的句子完全得到它们自己引用的支持。我们的回答目前还没有读者可见的来源链接，所以眼下诚实的检查办法，是问一件你确定录过的事和一件你确定没录过的事，然后比较两者。

一个AI版本的我，会只是附和说话的人吗？

这种倾向是真实的，也有文献记录，而检索并不能修复这个特定的缺陷。Anthropic 的研究人员在2023年发现，五个主流 AI 助手持续地向用户倾斜，部分原因是人类评分者以及用他们的判断构建出来的偏好模型，在可测量的比例上，更偏爱顺从的回答而不是正确的回答。一个建立在你所录立场之上的系统，应当在提问者施压时，仍然坚持你真正持有过的立场。我们还没有测量过我们的系统在这方面做得怎么样。请自己去测试这个问题：和你构建出来的东西争论，看它的立场会不会动摇。

我可以纠正错误吗？我去世之后，有人能编辑我吗？

前者可以，后者不可以。你在世时，可以回看这些记忆、纠正任何错误、删除任何你后悔的内容、重新录制一个糟糕的回答，并补充你遗漏的部分，而这正是大多数人用得最少的部分。在 Executor Lock™ 之前，写入没有次数限制，之后则关闭。在锁定触发的那一刻，人格被永久固定：短期和中期的记忆仍然可以写入，但没有人能改变快照中的你是谁，包括你的家人、这家公司未来的所有者，以及我们。这一约束针对的是篡改而不是编造，而这两者需要不同的机制。

• 没有人重要到值得留下什么，以及为什么这种想法是错的，对大多数人来说是这个问题背后的异议，如果准确性并不是你真正的犹豫所在，值得一读。

• 被认识你的人错误地记住谈的是感受而不是机制，而这正是大多数人来到本页的原因。

• 做一个自己的AI是不是很奇怪，适合你要和一位觉得这整件事令人不安、而不是不准确的伴侣进行的那场对话。

• 我到底会对自己的AI说些什么是切实的下一步，如果那个十个决定的练习对你有用，而你想要更长的一组问题。

• 已故者的AI Persona的伦理更完整地讨论了同意、夸大宣称，以及这项技术真正造成伤害的地方。

• 付费方案多出了什么是定价，如果你超过了二十五条记忆，想要其余的功能。

这里引用的每一个数字都来自第三方：经同行评审的论文和预印本（arXiv、Nature、Psychological Science、Archives of Internal Medicine），以及一个公开维护的基准测试仓库。我们没有为本页运行任何自己的基准测试。关于我们自己产品做什么、不做什么的每一项陈述，都在2026年7月30日对照平台源代码逐行核查过，相关文件与来源一并列出。本页上原有的三项说法没有通过这次核查，已被代码实际所做的事情取代。

尚无定论的是：对于以某一个人自己录下的素材为依据的系统，目前没有已发表的、独立的编造率测量，所以文档摘要的数字，即领先者1.8%而其余都在3%以上，是目前可得的最接近的替代指标，而不是同类对比的数字。检索失败，也就是返回了错误的记忆或者什么也没返回，没有公认的衡量办法。68%的代理人准确率数字来自使用假设情景的医疗决策研究，在这里作为对家人回忆的类比来使用，这是一个合理的比较，但不是一个经证明的比较。R-Tuning 的拒答结果测量的是模型自身参数化知识的边界，而不是个人语料，所以把它用到这里同样是类比论证。闪光灯记忆的发现依据的是54名学生和单一事件。

1. Adam Tauman Kalai, Ofir Nachum, Santosh S. Vempala, Edwin Zhang，《语言模型为何会产生幻觉》，预印本编号 arXiv:2509.04664，2025年9月4日提交。arxiv.org/abs/2509.04664

2. David I. Shalowitz, Elizabeth Garrett-Mayer, David Wendler，《代理决策者的准确性：一项系统综述》，《内科学文献》（Archives of Internal Medicine），2006年第166卷第5期，第493-497页。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，《面向知识密集型自然语言处理任务的检索增强生成》，预印本编号 arXiv:2005.11401，2020年5月22日提交，2021年4月12日修订。arxiv.org/abs/2005.11401

4. Mrinank Sharma 等（Anthropic），《理解语言模型中的谄媚现象》，预印本编号 arXiv:2310.13548，2023年10月20日提交。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：教会大语言模型说“我不知道”》，预印本编号 arXiv:2311.09677，发表于 NAACL 2024。arxiv.org/abs/2311.09677

6. Nelson F. Liu, Tianyi Zhang, Percy Liang，《评估生成式搜索引擎的可验证性》，预印本编号 arXiv:2304.09848，2023年4月19日提交。arxiv.org/abs/2304.09848

7. Vectara 幻觉排行榜（Vectara Hallucination Leaderboard），使用 HHEM-2.3 评估，最后更新于2026年5月11日。github.com/vectara/hallucination-leaderboard

8. Sebastian Farquhar, Jannik Kossen, Lorenz Kuhn, Yarin Gal，《利用语义熵检测大语言模型中的幻觉》，《Nature》，2024年第630卷第8017期，第625-630页。pubmed.ncbi.nlm.nih.gov/38898292

9. Jennifer M. Talarico, David C. Rubin，《自信而非一致性，是闪光灯记忆的特征》，《心理科学》（Psychological Science），2003年第14卷第5期，第455-461页。pubmed.ncbi.nlm.nih.gov/12930476

发现本页有错误，或者我们读错了某个来源？请通过联系页面告诉我们，我们会更正页面，并在下一次审阅时注明这次修改。

最后审阅：2026年7月30日。 研究引用和产品行为都在这一天重新核查过。下一次审阅定于2026年10月28日（90天周期）。基准数字会变动，所以上文的幻觉率数字在每次审阅时都会重新核实，关于产品所做之事的每一项陈述也是如此。