GPT-4 背古诗编造全文？原因分析与避免幻觉的实用做法

问一句「映日荷花别样红」出自哪里，模型很快给出杨万里的《晓出净慈寺送林子方》，作者、朝代、诗题都对。可接着追问「全诗内容」，它却拼出一首并不存在的诗：句式像七言，主题往送别离愁上靠，读起来还挺顺。再问一遍，又会得到另一个版本。

这不是某个账号或某次对话的偶发问题。它暴露的是语言模型在「精确记忆」类任务上的系统性短板：能认出这句话属于谁，却调不出完整的原文，于是按格律和语义现场生成一段看起来合理的文本。搞清楚它为什么会这样，比争论「哪个模型更聪明」更有用。

问题到底出在哪

把现象拆开看，有三个特征值得注意。

• 出处对、原文错。模型知道这句诗归属杨万里，说明相关知识在参数里有痕迹；但完整诗篇的字句没有被可靠记住，于是它用「送别诗」的常见意象补全。
• 每次答案不一样。生成过程带有采样随机性，同一问题在不同会话、不同上下文里会走向不同结果，这说明它不是在「读取」一段固定文本。
• 换模型或加检索就可能对。同一问题在新一代模型上能给出正确四句，说明差别在于知识调用与外部检索能力，而不是「懂不懂诗」。

作为对照，正确的《晓出净慈寺送林子方》是四句七言：毕竟西湖六月中，风光不与四时同。接天莲叶无穷碧，映日荷花别样红。全诗写西湖六月荷景，并无送别伤怀的句子。模型编出来的版本，恰恰是把「送林子方」这个题目按字面理解成了送别场景。

为什么模型会「一本正经地编」

训练目标决定的

模型的本职是预测下一个词，而不是维护一个可查询的原文数据库。它把训练语料压缩进参数，高频内容记得牢，低频长尾内容只剩模糊印象。古诗词全文属于典型的低频、要求逐字精确的长尾知识。

需要说明的是，「模型里根本没存这句话」这种说法方向大致对，但表述过于绝对。更准确的理解是：这类信息以压缩形式存在于参数中，能否被准确调出取决于出现频次、上下文线索和提问方式，而且模型没有内置的「查证」环节来核对调出的结果。

提问方式在推着它编

当被要求「给出全诗内容」时，模型面临的是一个必须填满的回答槽位。它很少主动说「我记不全」，更倾向于交付一个格式完整、语气自信的答案。诗题里的「送」字、七言绝句的格律，都会成为它补全的依据。

解码参数放大了差异

温度等采样参数越高，输出越发散，同一问题的答案波动越明显。把温度调低能让回答更稳定，但稳定不等于正确——它可能稳定地给出同一个错误版本。

可操作的解决方案

方案一：把记忆题改成检索题

最直接的办法是让模型先查再答，并明确允许它说「不知道」。提示词可以这样写：

请先检索可靠来源再回答。要求：
1. 逐句给出原文，不要自行补全；
2. 附上可核查的来源；
3. 若无法确认，直接回答「不确定」，不要编造。

问题：杨万里《晓出净慈寺送林子方》的全文是什么？

三个要点缺一不可：要求来源、要求逐句输出、明确允许放弃。缺少任何一条，模型都更容易滑向自由发挥。前提是所用产品具备联网或搜索能力；没有检索工具的模型，单靠提示词无法补上这个缺口。

方案二：两次独立会话做交叉验证

不要让模型自己检查自己刚写的答案，那容易顺着原思路走。更稳的做法是开一个新会话，只贴出待核对的文本，问「这首诗是否真实存在，作者与朝代是否对应，逐句核对」。也可以让两个不同模型回答同一问题，取一致部分，差异部分回原始出处查。

批量做这类对比测试时，需要长时间稳定在线调用接口、反复跑同一组题，本地机器休眠或网络抖动会打断任务。新加坡独享远程 Mac 这类整机放在机房、按月远程使用的方案，可以作为保持长期在线的一个选项，但它解决的是运行环境问题，不改变模型本身的能力边界。

方案三：按任务选模型，而不是按名气

不同模型的中文语料配比和训练侧重不同，古典文学类任务上的表现差异可能很明显。判断方法不是看一次结果，而是准备十到二十道有标准答案的题，固定题目集做小评测，记录正确率与编造率。模型迭代很快，过去的结论随时可能失效，涉及具体版本能力时以官方最新说明和自己复测的结果为准。

方案四：用结构化输出暴露不确定性

需要接入生产流程时，可以要求模型按固定结构返回，把「来源」和「置信度」变成必填字段：

{
  "answer": "逐句原文",
  "source": "可核查出处",
  "confidence": "high | medium | low"
}

字段本身不能保证内容为真，但低置信度标记能触发人工复核，比一段语气笃定的长文本更便于把关。

方案五：关键引文回到原始出处

用于教学、出版、文案发布的内容，最后一步必须是人工核对纸质诗集或权威数据库。模型输出只当草稿。这一步没有替代品。

几种观点的取舍

围绕这个问题，常见的分歧集中在两处。

「概率模型必然胡说」与「加了联网就万无一失」，两种说法都过于绝对。 联网检索能大幅降低事实类错误，但检索结果本身可能有错、可能张冠李戴，模型也可能把检索到的内容与问题错配。它适合「查一个确定事实」，不适合需要多源推理合并的判断。

「中文古诗文不如某些国产模型」在特定任务上可能是经验之谈，但不能一概而论。 模型能力按任务分化，代码生成、指令遵循、复杂任务拆解与古文背诵本就是不同维度。合理做法是针对自己的高频场景做小规模评测，而不是凭一次翻车或一次正确下结论。

一份可执行的检查清单

• 事实类问题是否明确要求了来源？
• 提示词是否允许模型回答「不确定」？
• 是否用第二个模型或新会话做过交叉核对？
• 关键引文是否回到原始出处逐字比对？
• 是否维护了一组固定测试题，在模型升级后重跑？

小结

把模型当成一个文笔流畅、记性不可靠的助手，期待就对了。它的强项是生成、改写、代码和指令遵循；逐字背诵属于它的弱项。遇到需要精确的事实，用检索补知识、用交叉验证补盲区、用人工核对兜底，比反复追问「你再想想」有效得多。