五大前沿模型事实核查对比：23%结论严重相悖

Pavel___1__ · reddit · 2026-08-25

Lenz 研究团队将 1000 条真实事实核查 claim 输入 Claude Fable 5、GPT-5.6、Gemini 3.1 Pro、Sonar Deep Research 和 Grok 4.5 五个前沿模型（均开启联网与思考）。结果显示：五者完全一致的仅占 37%；23% 的情况下，模型间的结论在 5 级量表上相差 2 级以上（实质性分歧）。模型性格差异显著：Gemini 倾向于非黑即白，Sonar 频繁折中，Claude 最接近多数派。研究发现模型自述的置信度（Confidence）几乎无效，76% 的回答都给了 9-10 分的绝对自信，即便在它们互相争执的 claim 上也是如此。作者警告：单一模型的裁决受限于厂商特性，且置信度不可作为人工介入的信号，模型间的不一致性远强于自评不确定性。