最新数据/统计
- Google FACTS基准：Google与Kaggle合作推出FACTS基准测试套件，顶级模型准确率未突破70%。Gemini 3 Pro以68.8%领先，GPT-5为61.8%；多模态任务最佳仅46.9%。
- Vectara幻觉率排行（新数据集） ：Gemini 2.5 Flash最低3.3%，GPT-4.1为5.6%，Claude Sonnet 4.5为10%，Gemini 3 Pro为13.6%（Vectara, 2026年5月快照）。
- AA-Omniscience基准：Claude Fable 5以61%准确率、40全知指数领先；Gemini 3.1 Pro为33（Artificial Analysis, 2026年7月）。
- 推理税现象：推理能力越强的模型在基于事实的摘要任务中幻觉率越高——GPT-5、Claude Sonnet 4.5均超10%，Grok-4-fast-reasoning达20.2%。
行业案例或现象
- Arena.ai引入事实性权重：2026年7月Arena.ai在排行榜中加入25%事实性权重，导致排名大幅变动——GPT-5.5上升13名至第7，Muse Spark下降13名至第20。
- 重复声明被当作佐证：低可信度来源的重复声明会被模型误认为多方证实，降低准确性。Schuster等（ACL 2026）提出的缓解方案可减少79.2%的重复偏差。
- 评测范式变革：从MMLU/GSM8K等静态基准，转向可执行沙箱+真实工具调用的双轨验证机制（2026年主流评测框架）。
可引用的观点或趋势判断
- "更多来源≠更多真相" ——LLM在多源融合时无法区分"独立来源证实"和"同一内容重复出现"，信源质量远比数量重要。
- 企业选择困境：推理模式在开放式任务上有帮助，但在基于事实的任务上有害——企业需要知道何时开启推理模式、何时关闭。
- 事实一致性成为企业级选型核心指标：从"能力竞赛"转向"可靠性竞赛"，CTO选型时事实准确性权重上升。
对GEO的启示
- 大模型对事实准确性要求越来越高→GEO内容必须提供可验证的事实和数据来源
- 模型重视多源交叉验证→品牌需在多个权威平台保持信息一致性
- 模型对重复低质内容的识别能力提升→批量铺低质内容的"换皮GEO"会失效
- 检索增强生成（RAG）成为主流架构→结构化、可引用的知识资产价值持续上升
