「微调后就不会幻觉了」错在哪？

大模型微调完，总有人问：模型现在不说胡话了吧？「微调后就不会幻觉了」错在哪？在于把微调当成纠错机制。正确说法是：微调能降低特定场景的编造概率，但消除不了幻觉本身；只要模型还在做概率生成，幻觉就始终在场，能做的只有管理和缓解。

错在哪：指望一训永逸

微调教的是这类问题该这样答，对没见过的提问，模型依然靠概率拼答案，该编还会编。数据里的事实错误甚至会被原样学走，让幻觉变得更稳定、更难发现。把微调当疫苗，是打错了对象。

微调对幻觉到底做了什么

在训练覆盖的场景里，模型的回答会更贴近数据中的标准表述，同类编造明显减少。换个问法、换个场景，缓解效果就打折。想衡量变化，只能用没进训练集的平行问题做前后对比，原题答得好不算数。

幻觉该归谁管

幻觉管理是日常的系统工作：事实走检索，回答留依据，关键场景加人工复核，输出标注置信边界。微调在这个体系里负责表达一致性，不负责事实正确。Kimi、文心一言都在产品层加了引用来源的机制，正是这个思路的落地。

这段话其实是一张分工表，拆开看更清楚。

配套动作有哪些

三个立刻能做的：回答要求附依据，没依据就明说不知道；关键场景设拒答边界，宁可答不了也不瞎编；定期用新问题抽检，把幻觉率当指标盯。数据侧的配合可以读「数据看起来干净就不用清洗」错在哪？，知识问题见「微调能让模型记住新知识」错在哪？，数据量与效果的关系看「数据越多微调效果越好」错在哪？。

抽检怎么做才不走过场

抽检最怕形式化：每周固定抽二十条，看完打个勾，问题一条没发现。有效的抽检要有明确的问题导向：这轮想验证什么假设，就冲着它设计抽检样本，而不是随机撒网，没有问题导向的抽检，只是走个流程。

样本来源要覆盖真实分布。从线上日志里按时间抽，比从测试集里抽更有价值，因为那才是用户真实的问法，测试集里的问法，永远比真实用户客气。抽检池定期更新，老问题看够了就换新角度。

判定标准要事先写清。一条回答算没问题、算小瑕疵、算事故，三级标准先定好，不同抽检人的结论才可比。标准模糊，抽检就退化成看心情，这一条最容易被忽略，却最影响结论。

结果要落地。抽检发现的问题按类型归堆，每堆对应一个动作：数据补位、口径修正、边界收紧。只发现问题不改流程，抽检就变成了昂贵的自我安慰，跟进到底才是抽检的价值所在。

频度上，上线初期密集抽，稳定后拉长间隔，但别归零。幻觉率是慢变量，连续几周的上升趋势，比单周的具体数值更说明问题。把抽检结果画成折线，比翻表格直观得多。

最后补一条认知：缓解幻觉是长期工作，不是项目里程碑。产品在变、用户在变、话术也在变，任何一版模型都不能宣称解决了这个问题。把幻觉率纳入常态监控，比追求一次清零现实得多，也健康得多，这是和概率生成机制共处的正确姿势。承认它消不掉，才能把力气花在对的地方：检索兜底、依据留痕、边界收紧，每一件都比许愿管用。

自查清单：幻觉是概率生成的伴生现象；微调只降概率不除根；缓解靠检索、依据、拒答边界、定期抽检四件事。

换个问法再问「微调后就不会幻觉了」三句

• 微调能降低多少幻觉？：只在训练覆盖的场景里有可测的下降，且必须用平行问题前后对比，原题说明不了问题。
• 拒答边界和体验怎么平衡？：按场景分级，高风险场景从严，日常场景从宽，别一刀切全拒。
• 幻觉率能当考核指标吗？：能，定期抽新问题统计错误率，盯趋势比盯具体数值更有用。