AI 的發展一日千里，但 AI 說的話到底又有幾分可信？Google DeepMind 團隊在 2025 年 12 月公布了名為 FACTS Benchmark Suite 的評測標準，並與 Kaggle 合作建立公開排行榜，用更系統化的方法來檢驗大型語言模型 LLM 的誠實度。然而測試結果相當令人意外，目前市面上被視為頂尖的 AI 模型，整體事實準確率全部低於 70 %。就算拿下最高分的 Google 自家模型 Gemini 3 Pro 也僅有 68.8 %。當我們習慣用 AI 寫報告、查資料時，它大約每回答 3 個問題，就可能包含 1 個錯誤資訊。
相關新聞 : 信箱太亂？用 Gmail 管理訂閱項目，一鍵清掉廣告信與電子報啦
FACTS Benchmark 測什麼？
避免模型只是死背題庫，Google DeepMind 此次設計的測試將評測拆解為四個貼近真實應用的面向，並結合公開題目與私有保留題目進行計分。這四個指標分別是：
Parametric，測試模型在不靠外部工具下直接回答知識的能力
Search，評估模型使用搜尋引擎找資料並整合的準確度
Multimodal，檢驗模型看圖表、判讀影像的能力
以及 Grounding v2，要求模型必須嚴格依據指定長文回答，不能自行腦補。這種設計把文筆流暢度與事實正確性分開來看，讓使用者知道 AI 雖然很會寫文章，但內容不一定經得起推敲。
Gemini 3 Pro 險勝，但看圖成重災區
從官方公布的技術報告來看，Gemini 3 Pro 以 68.8 % 的分數暫居第一，緊追在後的是 Gemini 2.5 Pro 的 62.1 % 與 GPT 5 的 61.8 %，而 Grok 4 與 Claude 4.5 Opus 分別取得 53.6 % 與 51.3 %。雖然 Google 強調 Gemini 3 Pro 在搜尋整合與基礎問答的錯誤率已有顯著下降，但若進一步分析子項目，會發現多模態 (Multimodal) 仍然偏低。以 Gemini 3 Pro 為例，看圖回答的準確率僅有 46.1 %，當你丟一張財報圖表或統計圖給 AI 分析時，它有一半以上的機率會看錯數字或誤解圖意，而這種錯誤往往比純文字更難被人類察覺。
接近三成的錯誤率
當準確率無法突破 70 %，在金融、法律、醫療等高風險領域直接採用 AI 生成內容就會存在極大隱憂。過去的測試多半關注 AI 能否完成任務，卻忽略了內容的真實性。因此，在專業場景中引入 AI 輔助時，人工查核 (Fact-check) 機制依然不可或缺。
測試的侷限：指標成為目標
雖然 FACTS Benchmark 提供了量化數據，但業界也對跑分文化保持審慎態度。廠商可能會針對特定的基準測試題目對模型進行過度優化，甚至可能發生拿考題去訓練模型。雖然 Google 透過 FACTS 揭露了 AI 目前的極限，但讀者在解讀這些分數時，仍應關注模型在實際工作流中的表現，而非單純迷信排行榜上的數字。
如果喜歡這篇文章，並想持續收到更多限時免費、科技新聞、 Apple 資訊，以及 AI 、 WordPress 教學與資源分享，歡迎透過以下方式支持我，讓我更有動力創作：
👍 按讚與追蹤：鎖定我的 Facebook專頁、Instagram、Threads 和 X，就不會錯過最新內容。
☕ 請我喝杯咖啡：如果內容對你有幫助，歡迎到 Ko-fi 小額支持，為我注入創作能量。
你的一個 Like、追蹤或是一杯咖啡的鼓勵，都能激勵我持續分享更多實用文章。由衷感謝大家。😉