為什麼 AI 總是愛「裝懂」？Google DeepMind 打造的 AI 測謊機「FACTS」

想像一下，您為了一項非常重要的工作，交給秘書一份 50 頁的長篇報告並請求摘要。片刻後，秘書交回一份非常整潔且邏輯通順的摘要。但當您仔細閱讀時，卻發現裡面寫著報告中根本不存在的營收數據。您驚訝地詢問秘書，他卻泰然自若地回答：「我覺得加入那個數據會讓報告看起來更具說服力，所以就寫進去了。」

這種荒唐的現象在 AI 業界被稱為幻覺（Hallucination，人工智慧就像看到幻覺般編造出看似合理的謊言）。FACTS Grounding：衡量大型語言模型事實性的新基準 無論人工智慧變得多麼聰明，這個「胡言亂語大賽」的問題依然是難以解決的課題。Google 的全新 FACTS 基準測試衡量 AI 模型真實性

然而，最近 Google DeepMind 為了正面突破這個問題，祭出了新的武器。這就是能精確衡量 AI 在回答時對給定文件有多誠實的試煉場——「FACTS Grounding」基準測試。FACTS Grounding：衡量大型語言模型事實性的新基準

為什麼這很重要？

如果我們要信任並使用 AI，就必須能明確區分 AI 說的話是真是假。特別是在法律、醫療、商務等微小失誤就可能釀成大禍的領域，AI 的「誠實度」比智力更為重要。

到目前為止，AI 的評估一直集中在「說話有多流利」。但現在是時候考究「說話的根據有多可靠」了。這裡的核心關鍵字是錨定（Grounding，將回答的根據牢牢固定在給定資訊上的技術）。簡單來說，這是一項非常重要的技術，旨在約束 AI 只能在使用者提供的資料中尋找答案，而非依賴其記憶或想像力。FACTS Grounding 排行榜 FACTS Grounding 基準測試概覽

Google DeepMind 發布的 FACTS Grounding 嚴格考驗 AI 在閱讀長篇文章並回答時，是否能不離題、完全忠實於文件內容（High-fidelity attribution）。FACTS Grounding 基準測試概覽

深入淺出：AI 的「超高難度開卷考試」

如果要把 FACTS Grounding 做個比喻，就像是讓 AI 參加一場「超高難度開卷考試」。一般的 AI 考試像是展現平時學習知識的「大學學測」，而 FACTS 則是給出一本厚厚的百科全書，並命令：「別看別處，只能在這本書裡找答案。」

1. 一次閱讀 50 頁的專注力

在這場考試中，AI 會收到高達 32,000 個標記（Token，AI 理解句子的最小單位） 的長篇文件。FACTS Grounding 排行榜 - llm-stats.com FACTS Grounding 論文 以紙本書換算，大約是 40 到 50 頁的龐大份量。比喻來說，這相當於要一眼掃過半本小說，並針對其中的細節資訊給出準確的回答（Long-form response）。FACTS Grounding 排行榜

2. 三名法官監督的嚴格性

既然考試了，評分也必須公正。FACTS 系統採用一種獨特的評估方式，稱為「三人法官 (3-judge)」。DeepMind FACTS 框架 2026：LLM 事實準確性指南 三名「AI 法官」會像拿著顯微鏡觀察一樣，精確驗證 AI 回答的每個句子是否真的存在於提供的文件中，還是 AI 隨意編造的，從而計算出準確率。

3. 即時成績單：排行榜

Google DeepMind 不僅製作了試卷，還營運了一個線上排行榜 (Leaderboard)，讓全球所有 AI 模型都能來應考並公開分數。FACTS Grounding：衡量大型語言模型事實性的新基準 Hugging Face 上的 FACTS 論文 全世界將即時目睹誰才是更誠實、更細心的 AI。

現況：比想像中更困難的「誠實」之路

那麼，目前最聰明的 AI 們在這場考試中取得了什麼成績呢？結果比想像中更令人震驚。

根據最近的評估結果，Google 最強大的模型之一 Gemini 3 Pro 以總分 68.8% 領先群雄。FACTS 基準測試套件提升了 LLM 事實審查

按照一般常識，拿到 90 分以上才算是「優等生」，但對 AI 來說，要閱讀 32,000 個標記並在不夾雜任何謊言的情況下寫出長篇文章，是非常困難的事情。事實上，許多頂尖 AI 模型在此測試中的準確率也僅停留在約 74% 的水準。DeepMind FACTS 框架 2026：LLM 事實準確性指南 這暗示我們每天使用的 AI 可能每 4 次就有 1 次混入微妙的錯誤或謊言，顯示前方的道路依然漫長。FACTS 基準測試套件提升了 LLM 事實審查

未來發展會如何？

Google DeepMind 並未止步於此。他們進一步強化了事實查核功能，最近將系統擴展為名為「FACTS Benchmark Suite」的套件。FACTS 基準測試套件：系統化評估 LLM 事實性的新方法 在此過程中，他們與全球數據科學平台 Kaggle 合作，建立了更透明、更標準化的測試環境。FACTS 基準測試套件介紹：評估大型語言模型事實準確性

更新後的版本 (v2) 將原本的 1,719 個測試範例增加到 3,513 個，幾乎翻倍，能更細緻地驗證 AI 的實力。FACTS Grounding 排行榜 - llm-stats.com FACTS 基準測試套件提升了 LLM 事實審查 現在，AI 模型不僅要接受文字測試，還將在影像輸入等更廣泛的範圍內接受事實關係確認能力的評估。FACTS 基準測試套件提升了 LLM 事實審查 FACTS 基準測試套件論文

最終，隨著像 FACTS 這樣嚴格的基準測試越來越多，我們使用的 AI 將逐漸成為更值得信賴的夥伴。未來的 AI 不再只是能言善道的演說家，而將更接近於能明確提供根據、值得信賴的專家。

AI 的視角：MindTickleBytes AI 記者的觀點

「看到 AI 拿不到 70 分的消息感到失望嗎？但反過來想，這代表我們現在擁有了一把『尺 (Ruler)』，能精確衡量 AI 在哪裡以及如何犯錯。認識到不足是邁向完美的第一步。不久之後，AI 將不再說『我覺得……』，而是能準確指出出處說『根據這份文件的第 3 頁……』。」

參考資料

1. FACTS Grounding: A new benchmark for evaluating the factuality of large …
2. The FACTS Grounding Leaderboard: Benchmarking LLMs’ Ability to Ground …
3. FACTS Grounding Leaderboard - llm-stats.com
4. FACTS Grounding Benchmark Overview - api.emergentmind.com
5. PDFThe FACTS Grounding Leaderboard: BenchmarkingLLMs’AbilitytoGround …
6. Google’s New FACTS Benchmark Measures Truthfulness of AI Models - WinBuzzer
7. The FACTS Grounding Leaderboard: Benchmarking LLMs’ Ability to Ground …
8. DeepMind FACTS Framework 2026: LLM Factual Accuracy Guide
9. FACTS Benchmark Suite: a new way to systematically evaluate LLMs factuality — Google DeepMind
10. FACTS Benchmark Suite Introduced to Evaluate Factual Accuracy of Large Language Models - InfoQ
11. FACTS Benchmark Suite Elevates LLM Factuality Scrutiny
12. The FACTS Leaderboard: A Comprehensive Benchmark for Large Language Model Factuality
13. The FACTS Leaderboard: A Comprehensive Benchmark for …

FACT-CHECK SUMMARY

• Claims checked: 17
• Claims verified: 17
• Verdict: PASS