大模型回答错误，通常被当作「知识缺失」处理：加大模型、喂更多数据、甚至重做检索架构。但 Google Research 与以色列理工学院（Technion）联合发布的研究（论文 arXiv:2602.14080）给出相反结论——模型答错的事实，多数时候并没有丢，知识已经编码在参数里，只是生成时调不出来。实验覆盖 13 个大模型、超过 400 万条响应：GPT-5、Gemini-3 等前沿模型能编码 95% 到 98% 的被测事实，但其中 26% 到 34% 直接提问时回忆失败；给模型更长的推理时间（如思维链），最多能找回 65% 这类「原以为忘了」的事实。

幻觉的两种成因：编码失败与回忆失败

论文把事实在模型中的状态分成两个层次：「编码」（encoded）与「可知」（known）。编码，指模型在原始训练语境下能准确复现该事实；可知，指模型面对不同问法、不同方向的提问都能稳定答对。研究者写道：「编码失败与回忆失败在准确率指标下无法区分，但二者的成因与解法完全不同——编码失败要靠预训练阶段解决，比如扩大模型规模或数据覆盖；回忆失败则适合在后训练阶段改善模型对已编码知识的调用。」

五类知识画像

研究用「Oasis 乐队首场演出在 Boardwalk 俱乐部」这一事实，演示了知识画像的五种形态：

  • 直接回忆：事实已编码，无需额外推理即可答出；
  • 编码失败（空货架）：既没编码也不知道，补数据或扩容量才有用；
  • 回忆失败（丢钥匙）：已编码但取不出来——能补全原文，却答不出「Oasis 首场演出在哪」；
  • 思考后回忆：靠思维链等推理时计算，模型在推理中逐步定位到被锁住的答案；
  • 无编码推理：模型从未编码该事实，但靠已有知识推断出来，例如由「Oasis 组建于曼彻斯特」「Boardwalk 是当地知名俱乐部」链式推导出答案。

数据：13 个模型、400 万条响应

研究者用 WikiProfile 基准（从维基百科提取 2,150 条事实）评测 13 个大模型，每条事实覆盖从上下文补全到选择题等多种问法。结果：前沿模型编码接近饱和（95% 到 98%），但仍有 26% 到 34% 的已编码事实「话到嘴边说不出来」；推理时计算能找回其中 40% 到 65%，研究者将其类比为人类的「舌尖现象」——刻意回忆、回溯语境，最终想起来。

扩容解决不了回忆问题

企业常见的应对是「错了就扩规模」。论文给出的反例：Gemma3 从 10 亿参数扩到 270 亿参数，编码失败率从 85% 降到 23%，「空货架」被填满；但回忆失败占比反而上升，最高到 40%——模型记住的事实越多，卡在「已编码但取不出」状态的知识池越大，错误主体从「缺数据」变成「调不出」。Google 研究科学家 Nitay Calderon 对 VentureBeat 表示，事实答错时的默认动作是扩容，但两者都昂贵，而如果事实早已编码，两者都没用。

长尾事实与反向提问更难回忆

实验还发现两个反差现象：长尾事实（冷门知识）与热门事实的编码率相近，但回忆差距超过 25%——冷门知识同样被记住，只是更难被直接问出来；反向提问（问主语而非宾语）更难答——模型能答出「Oasis 首场演出在 Boardwalk 俱乐部」，却答不出「谁在 Boardwalk 俱乐部做过首场演出」，但同一道题换成选择题又能答对。研究者认为，这两类现象都应重新定性为回忆失败，而不是「知识缺失」。

对开发者的四条建议

  1. 别把所有事实错误都当成检索问题：只有真正缺失的事实才值得上 RAG，否则只是为模型本来就会的知识多付延迟与成本。
  2. 推理时计算要选择性开启：只有 10% 到 20% 的事实真正需要思考，全局开启浪费算力；难点在于模型缺乏「预判自己快要答错」的自我认知，这也是 Google 正在攻关的方向（如「忠实不确定性」框架）。
  3. 部署先生成后验证（generate-then-verify）流水线：模型识别正确答案比直接生成更容易，让模型对自己的输出做一轮显式核验，能补上直接生成的遗漏。
  4. 评测要测「语义访问」而非基准准确率：同一事实用不同问法、语境、方向分别测试，才能分清模型是「不知道」还是「够不着」；查询改写、在提示词里补充中间上下文、要求先推理再作答，都是有效的可靠手段。

局限与成本

WikiProfile 基于百科类事实，结论未必完全迁移到专有领域数据——领域专属事实可能真的没被编码。完整跑一遍 WikiProfile 画像的成本约 500 美元，去掉选择题变体或减少采样可显著降低；基准与全部提示词已开源在 Hugging Face（google/WikiProfile），团队可以复现流程，用自建语料诊断自己的智能体是「缺数据」还是「缺钥匙」，但领域数据上的预期要放低。

结论

对不自己训练基础模型的企业来说，这是好消息：预训练成本高不可攀，但后训练与推理时手段（思考、核验、检索）正是多数团队已经在用的杠杆。下次模型答错，先分清它是「缺知识」还是「想不起来」——前者补数据，后者让它多想一会儿。