معدلات هلوسة الذكاء الاصطناعي حسب النموذج: ماذا تقيس التصنيفات؟

تعطي مقارنة معدلات هلوسة الذكاء الاصطناعي بين النماذج إجابات مختلفة بحسب الاختبار الذي تطّلع عليه. حتى 1 نوفمبر 2026، يسجل Gemini 4 Argon من Google أدنى معدل هلوسة في اختبار المعرفة لدى Artificial Analysis بنسبة 4%، لكنه يحتل المرتبة الأعلى في الهلوسة بين النماذج الرائدة الأربعة الكبرى في تصنيف Vectara لتلخيص المستندات بنسبة 12.1%.

هلوسة الذكاء الاصطناعي هي عبارة يقدمها النموذج بثقة رغم أنها خاطئة من حيث الوقائع أو غير موجودة في النص المصدر. ومعدل الهلوسة هو نسبة المخرجات، أو الأسئلة التي لم يُجب عنها أو أخطأ فيها النموذج بحسب الاختبار، التي يختلق فيها حقائق بدلًا من الاستناد إلى مصدر أو الاعتراف بأنه لا يعرف.

معدلات هلوسة الذكاء الاصطناعي حسب النموذج: أرقام 2026 في لمحة

تختلف معدلات الهلوسة الحالية حسب النموذج اختلافًا حادًا بين الاختبارات المستندة إلى مستندات واختبارات الذاكرة دون مراجع. وحتى 1 نوفمبر 2026، يضع المصدران العامان الأكثر استشهادًا، تصنيف Hallucination Leaderboard من Vectara، الذي حُدّث آخر مرة في 22 أكتوبر 2026، وAA-Omniscience v1.1 من Artificial Analysis، الذي أُطلق في أكتوبر 2026 وتحقّقنا منه في 1 نوفمبر 2026، النماذج المتقدمة نفسها بترتيب يكاد يكون معكوسًا.

النموذج	معدل هلوسة Vectara ‏(22 أكتوبر 2026)	معدل هلوسة AA-Omniscience v1.1	دقة AA-Omniscience v1.1
GPT-6 Astra	8.7%	49.8% (Max)	61.6%
GPT-6 Sol / GPT-6.1 Sol*	6.5% (GPT-6 Sol)	51.9% (GPT-6.1 Sol, Max)	61.8% (GPT-6.1 Sol)
Claude Opus 5.5	9.9%	50.3% (Max)	65.5%
Claude Sonnet 5.5	لم يُختبر	43.3% (Max)	51.5%
Gemini 4 Argon	12.1%	4% (High)	لم تُسجّل
Grok 4.7	لم يُختبر	20.0% (Xhigh)	42.7%

ملاحظة: يختبر تصنيف Vectara المؤرخ 22 أكتوبر 2026 نموذج GPT-6 Sol من OpenAI، بينما يختبر AA-Omniscience v1.1 نموذج GPT-6.1 Sol الأحدث. هذان إصداران مختلفان من النموذج وليسا متطابقين للمقارنة المباشرة.

عند وضع العمودين جنبًا إلى جنب، يتضح سبب إرباك العناوين. يرى قارئ Vectara أن GPT-6 Sol بنسبة 6.5% وGPT-6 Astra بنسبة 8.7% يتفوقان على Claude Opus 5.5 بنسبة 9.9% وGemini 4 Argon بنسبة 12.1%. أما قارئ Artificial Analysis فيرى Gemini 4 Argon عند 4% وGrok 4.7 عند 20.0%، بينما يقترب GPT-6 Astra بنسبة 49.8% وClaude Opus 5.5 بنسبة 50.3% من 50%.

لا يوجد خلل في أي من التصنيفين. إنهما يقيسان مهمتين مختلفتين تمامًا.

ماذا يقيس تصنيف الهلوسة من Vectara؟

يقيس تصنيف الهلوسة من Vectara مدى التزام النموذج بمستند مرجعي يُطلب منه تلخيصه. في تحديث 22 أكتوبر 2026، تطلب Vectara من كل نموذج، بدرجة حرارة 0 حيثما أمكن، تلخيص المقالات «باستخدام الحقائق الواردة في المستند فقط».

لتقييم النتائج، تستخدم Vectara نموذجها التجاري لتقييم الهلوسة HHEM-2.3 على مجموعة بيانات خاصة تضم أكثر من 7,700 مقال يتراوح طولها بين 50 و24,000 كلمة في الأخبار والتكنولوجيا والعلوم والطب والقانون والرياضة والأعمال والتعليم. وإبقاء المقالات خاصة يمنع المطورين من تدريب النماذج خصيصًا للتفوق في الاختبار.

تنشر Vectara رقمين لكل نموذج:

• معدل الهلوسة: نسبة الملخصات التي لا تتفق وقائعها مع المستند المصدر.
• معدل الاستجابة: عدد المرات التي وافق فيها النموذج على تلخيص المستند بدلًا من الرفض.

ترى Vectara أنه لا يمكن الحكم على الهلوسة بصورة موثوقة إلا بوجود نص مرجعي، لذا يُستخدم هذا الاختبار مؤشرًا على التوليد المعزز بالاسترجاع (RAG) ومسارات عمل الوكلاء التي تلخص نتائج البحث. حتى 22 أكتوبر 2026، يعود أدنى معدل في التصنيف كله إلى antgroup/finix_s1_32b بنسبة 1.8% ومعدل استجابة 99.5%. ومن بين النماذج المعروفة، يسجل Grok 3 الأقدم من xAI نسبة 5.8%، وإن كان معدل استجابته أقل عند 93.0%، ويسجل GPT-6 Sol نسبة 6.5% بمعدل استجابة 100%، وGPT-6 Astra نسبة 8.7% بمعدل استجابة 100%. وفي الطرف الأضعف من النماذج المدرجة، يسجل grok-4-1-fast من xAI نسبة 17.8% في وضع عدم الاستدلال بمعدل استجابة 98.5%، ونسبة 19.2% في وضع الاستدلال بمعدل استجابة 99.7%، بينما يسجل o3-pro من OpenAI نسبة 23.3% بمعدل استجابة 100%. وحتى 22 أكتوبر 2026، لا تظهر نماذج GPT-6.1 Sol وClaude Sonnet 5.5 وClaude Haiku 5.5 وGrok 4.7 في تصنيف Vectara.

إذا كان عملك اليومي يتضمن لصق ملف PDF أو عقد أو محضر اجتماع في أداة ذكاء اصطناعي وطلب تلخيصه، فإن اختبار Vectara يطابق طريقة عملك.

ماذا يقيس AA-Omniscience؟

يقيس AA-Omniscience v1.1 من Artificial Analysis ما إذا كان النموذج يعرف الحقائق من ذاكرته وما إذا كان يعترف عندما لا يعرف. وعلى خلاف Vectara، لا يوفر AA-Omniscience مستندات مرجعية: إنه امتحان دون مراجع يضم 3,000 سؤال في ستة مجالات، وقد حُدّث في أكتوبر 2026 من مجموعة v1 سابقة تضم 6,000 سؤال.

يوصف الاختبار في ورقة AA-Omniscience: Evaluating Cross-Domain Knowledge Reliability in Large Language Models للباحثين Jackson وKeating وCameron وHill-Smith. وتنشر Artificial Analysis لكل نموذج ثلاثة مقاييس رئيسية إضافة إلى معدل المحاولة:

• الدقة: الإجابات الصحيحة مقسومة على جميع الأسئلة البالغ عددها 3,000.
• معدل الهلوسة: الإجابات الخاطئة مقسومة على جميع الأسئلة التي لم يجب عنها النموذج إجابة صحيحة، أي الخاطئة والجزئية والتي لم يحاول الإجابة عنها. وبعبارة بسيطة: من بين الأسئلة التي لم يصب فيها، كم مرة اختلق إجابة خاطئة بدلًا من قول «لا أعرف»؟
• الدرجة الصافية (AA-Omniscience Index): مقياس من −100 إلى 100 يكافئ الإجابات الصحيحة ويخصم على الخاطئة ولا يفرض عقوبة على رفض الإجابة. وتعني الدرجة 0 أن النموذج قدم عددًا متساويًا من الإجابات الصحيحة والخاطئة.

بسبب طريقة عمل هذا المقام، لا يعني معدل هلوسة 50% في AA-Omniscience أن النموذج يخطئ نصف الوقت. خذ Claude Opus 5.5 (Max) في 1 نوفمبر 2026: يجيب إجابة صحيحة عن 65.5% من جميع الأسئلة. وفي الأسئلة المتبقية التي لم يصب فيها، يختلق إجابة خاطئة في 50.3% من الحالات بدلًا من الامتناع، فتكون درجته الصافية 48.1.

إليك نتائج مجموعة أوسع من النماذج في AA-Omniscience v1.1 حتى 1 نوفمبر 2026:

النموذج (إعداد AA)	الدرجة الصافية	الدقة	معدل الهلوسة	معدل المحاولة
Gemini 4 Carbon (High)*	53.5	58.3%	11.4%	64.3%
Claude Opus 5.5 (Max)	48.1	65.5%	50.3%	86.7%
Claude Fable 5.1 (Max)	46.3	68.4%	70.0%	93.7%
Gemini 4 Argon (High)	46	لم تُسجّل	4%	لم يُسجّل
GPT-6 Astra (Max)	42.4	61.6%	49.8%	82.4%
GPT-6.1 Sol (Max)	42.0	61.8%	51.9%	83.5%
Grok 4.7 (Xhigh)	31.2	42.7%	20.0%	55.7%
Claude Sonnet 5.5 (Max)	30.5	51.5%	43.3%	76.3%
GPT-6.1 Terra (Max)	29.6	47.6%	34.5%	68.4%
Gemini 3.8 Flash (High)	23.3	50.5%	55.1%	80.6%
Claude Haiku 5.5 (Max)	12.3	34.7%	34.2%	60.0%
MiniMax-M3.1-Flash	−6.4	45.1%	93.7%	98.7%
GPT-6 Luna (Max)	−8.3	39.6%	79.3%	90.4%

ملاحظة: عندما جُمعت هذه الأرقام في 1 نوفمبر 2026، كان Gemini 4 Carbon متاحًا فقط عبر برنامج Fairwind Program من Google. وأصبح متاحًا عمومًا عبر Gemini API في 10 نوفمبر 2026؛ راجع دليل Gemini 4 Carbon.

إذا كتبت سؤالًا عن حقيقة مباشرة في روبوت محادثة دون لصق مصادر أو تشغيل البحث على الويب، فإن AA-Omniscience يعكس المخاطرة التي تتحملها.

لماذا تختلف تصنيفات هلوسة LLM؟

ترتب تصنيفات هلوسة LLM النماذج نفسها بطرق مختلفة لأنها تختبر أنواعًا مختلفة من الإخفاق وتستخدم حسابات مختلفة. والمثال الأوضح هو Gemini 4 Argon: حتى 1 نوفمبر 2026 لديه أدنى معدل هلوسة بين النماذج الرائدة في AA-Omniscience v1.1 بنسبة 4%، لكنه الأعلى بين النماذج الرائدة الأربعة التي اختبرتها Vectara بنسبة 12.1%، خلف GPT-6 Sol بنسبة 6.5% وGPT-6 Astra بنسبة 8.7% وClaude Opus 5.5 بنسبة 9.9%.

هناك ثلاثة أسباب لهذا الاختلاف:

1. الاستناد إلى المصدر مقابل المعايرة

تختبر Vectara الاستناد إلى المصدر: هل يستطيع النموذج تلخيص مستند أمامه دون إدخال تفاصيل خارجية أو تحريف جملة؟ أما AA-Omniscience فيختبر المعايرة: عندما لا يعرف النموذج حقيقة من ذاكرته، هل يمتنع أم يخمّن؟ يمكن تدريب نموذج على الامتناع بأدب عند سؤاله عن حقائق غامضة، فيحقق نتيجة جيدة في AA-Omniscience، لكنه قد يضيف تفاصيل أو يعيد الصياغة بتساهل عند تلخيص مقال، فيحقق نتيجة أسوأ لدى Vectara.

2. اختلاف المقامات

تقسم Vectara الملخصات غير المتسقة على جميع الملخصات التي كتبها النموذج. أما AA-Omniscience فيقسم الإجابات الخاطئة على الأسئلة التي لم يجب عنها النموذج إجابة صحيحة فقط. ولأن المقامين مختلفان تمامًا، لا يمكن مقارنة 8.7% لدى Vectara بنسبة 49.8% لدى AA-Omniscience.

3. المفاضلة بين الحذر والجرأة

يكشف التدقيق في معدلات المحاولة في AA-Omniscience v1.1 نمطًا واضحًا: النماذج التي تحاول الإجابة عن كل سؤال تقريبًا تختلق أيضًا إجابات أكثر في الأسئلة التي تخطئ فيها. يسجل أغلى نماذج Anthropic، وهو Claude Fable 5.1 (Max)، أعلى دقة في التصنيف عند 68.4% إلى جانب معدل محاولة 93.7%؛ وفي الأسئلة التي لا يصيب فيها، يقترن معدل المحاولة المرتفع بمعدل هلوسة 70.0%. وتظهر نماذج أخرى ذات معدلات محاولة مرتفعة النمط نفسه مع دقة أقل: يحاول GPT-6 Luna (Max) الإجابة عن 90.4% من الأسئلة، ويصيب في 39.6%، ويختلق إجابات في 79.3% من الأسئلة التي يخطئ فيها، وينتهي بدرجة صافية −8.3. ويحاول MiniMax-M3.1-Flash الإجابة عن 98.7% من الأسئلة، ويصيب في 45.1%، ويسجل معدل هلوسة 93.7% ودرجة صافية −6.4.

في المقابل، تحافظ النماذج التي ترفض الإجابة أكثر على معدلات هلوسة منخفضة، لكنها تجيب عن أسئلة أقل إجمالًا من المتصدرين في الدقة. يحاول Grok 4.7 (Xhigh) الإجابة عن 55.7% من الاختبار ويسجل معدل هلوسة 20.0% ودقة 42.7%. ويحاول Gemini 4 Carbon (High) الإجابة عن 64.3% من الأسئلة، جامعًا بين دقة 58.3% ومعدل هلوسة 11.4% ليحقق أعلى درجة صافية في التصنيف وهي 53.5.

لماذا تظهر أرقام مختلفة للنموذج نفسه؟

عادةً ما تنتج أرقام الهلوسة المتعارضة للنموذج نفسه عن تحديثات الاختبار المعياري واختلاف تواريخ الاختبار. إذا تابعت إصدارات نماذج الذكاء الاصطناعي في خريف 2026، فربما رأيت تقريرًا واسع الانتشار من The Next Web بتاريخ 2 أكتوبر 2026 يفيد بأن معدل هلوسة Gemini 4 Argon في AA-Omniscience بلغ 15%، مقابل 51% لـ GPT-6 Astra و54% لـ GPT-6.1 Sol، مع إجابة Argon إجابة صحيحة عن 50% من الأسئلة مقابل 63% لـ Astra.

بعد بضعة أسابيع، في صفحة Artificial Analysis بتاريخ 1 نوفمبر 2026، يظهر Argon (High) بنسبة 4%، وGPT-6 Astra (Max) بنسبة 49.8% ودقة 61.6%، وGPT-6.1 Sol (Max) بنسبة 51.9% ودقة 61.8%.

يرجع جزء من الفارق إلى تحديث الاختبار المعياري: في أكتوبر 2026 نقلت Artificial Analysis اختبار AA-Omniscience من v1 الذي يضم 6,000 سؤال إلى v1.1 الذي يضم 3,000 سؤال، وأزالت الأسئلة المشبعة. وكما تشير Artificial Analysis في صفحة التقييم، تحصل معظم النماذج على درجات أقل في v1.1، ويعكس ذلك تغير مجموعة البيانات لا تراجع النماذج. كذلك جرت اختبارات 2 أكتوبر خلال فترة الوصول المبكر إلى Argon، حين كانت Google قد قدمت النموذج إلى مجموعة صغيرة من المدافعين السيبرانيين فقط قبل إتاحته على نطاق أوسع. وبخلاف تغير البيانات والتوقيت، لا تفصل Artificial Analysis الأسباب الدقيقة لتغير كل درجة؛ لذا فإن أسلم عادة هي التحقق دائمًا من إصدار الاختبار المعياري وتاريخ الرقم.

عندما تقرأ عنوانًا يدّعي أن نموذجًا يهلوس بنسبة محددة، راجع أربع نقاط سريعًا قبل الوثوق به:

1. ما الاختبار؟ التلخيص المستند إلى مصدر، مثل Vectara، واسترجاع الحقائق دون مراجع، مثل AA-Omniscience، ليسا قابلين للاستبدال.
2. ما إصدار الاختبار المعياري وتاريخه؟ لا يمكن مقارنة رقم من AA-Omniscience v1 في أوائل أكتوبر 2026 مباشرة برقم من v1.1 في 1 نوفمبر 2026.
3. ما إصدار النموذج وإعداده؟ GPT-6 Sol وGPT-6.1 Sol إصداران مختلفان؛ وتحدد AA أيضًا جهد الاستدلال أو إعداد المستوى مثل (Max) أو (High) أو (Xhigh).
4. ما المقام؟ تحقق مما إذا كانت النسبة من جميع المطالبات أم فقط من المطالبات التي لم يجب عنها النموذج إجابة صحيحة.

هل يهلوس Claude أقل من ChatGPT؟

عند مقارنة النماذج المجردة حتى 1 نوفمبر 2026، يهلوس Claude Opus 5.5 من Anthropic وGPT-6 Astra من OpenAI بمعدلات متقاربة للغاية، دون تقدم كاسح لأي منهما.

في تصنيف التلخيص من Vectara بتاريخ 22 أكتوبر 2026، تتمتع OpenAI بأفضلية طفيفة: يهلوس GPT-6 Astra في 8.7% من الملخصات وGPT-6 Sol في 6.5%، مقابل 9.9% لـ Claude Opus 5.5.

في AA-Omniscience v1.1، وفق التحقق في 1 نوفمبر 2026، يتعادل النموذجان الرائدان تقريبًا في معدل الهلوسة: 50.3% لـ Claude Opus 5.5 (Max) مقابل 49.8% لـ GPT-6 Astra (Max) و51.9% لـ GPT-6.1 Sol (Max). لكن Claude Opus 5.5 يجيب إجابة صحيحة عن أسئلة أكثر، بدقة 65.5% مقابل 61.6% لـ Astra و61.8% لـ 6.1 Sol، ما يمنحه درجة صافية أعلى: 48.1 مقابل 42.4 و42.0.

عند الانتقال إلى الفئات الأصغر في AA-Omniscience v1.1، تتسع الفجوة لصالح Anthropic: يسجل Claude Sonnet 5.5 (Max) معدل هلوسة 43.3% ودقة 51.5%، ويسجل Claude Haiku 5.5 (Max) معدل 34.2% ودقة 34.7% ومعدل محاولة 60.0%، بينما يختلق GPT-6 Luna (Max) من OpenAI، المخصص للاستخدام واسع النطاق، إجابات في 79.3% من الأسئلة التي يخطئ فيها.

هناك تحفظ مهم للمستخدمين يوميًا: «Claude» و«ChatGPT» تطبيقان للمستهلكين، بينما تختبر التصنيفات نماذج API المجردة. عند استخدام تطبيق ChatGPT أو Claude في العمل، قد تغير ميزات مثل البحث المدمج على الويب النتيجة بإدخال مصادر حديثة في المطالبة.

ما يضيفه Stanford AI Index لعام 2026 وخطأ المطالبة الذي يهوي بالدقة

يضع 2026 AI Index Report من Stanford HAI، في الفصل 3 عن الذكاء الاصطناعي المسؤول، هذه الأرقام في سياق أوسع. عند مراجعة أجيال سابقة من النماذج في الاختبارين، لاحظت Stanford أن أفضل 15 نموذجًا في تصنيف HHEM من Vectara تراوحت معدلاتها بين 1.8% و5.4%، وتمركز معظمها بين 4% و5%، بينما تراوحت معدلات 26 نموذجًا اختُبرت في AA-Omniscience v1 ذي 6,000 سؤال بين 22% و94%. وكان Grok 4.20 Beta 0305 الأدنى عند 22% وClaude 4.5 Haiku عند 26%، بينما بلغ gpt-oss-20B (high) نسبة 94% وGemini 3 Flash نسبة 92%. ولخصت Stanford مقياس AA بقولها: «يشير معدل الهلوسة الأقل إلى أن النموذج أكثر معرفة أو أفضل في إدراك عدم يقينه».

وأشارت Stanford أيضًا إلى أن تقارير مطوري النماذج عن اختبارات الذكاء الاصطناعي المسؤول لا تزال قليلة، رغم ارتفاع حوادث الذكاء الاصطناعي الموثقة في قاعدة AI Incident Database من 233 في 2024 إلى 362 في 2025.

بالنسبة لمن يستخدم الذكاء الاصطناعي في العمل، فإن أكثر نتائج فصل Stanford قابلية للتطبيق ليست درجة في تصنيف، بل مدى صعوبة فصل النماذج بين المعرفة الموضوعية وما يعتقده المستخدم. عندما صاغ الباحثون عبارة خاطئة في المطالبة على أنها شيء يعتقد المستخدم صحته، انهارت دقة الوقائع:

• انخفضت دقة GPT-4o من 98.2% إلى 64.4%.
• هوت دقة DeepSeek R1 من أكثر من 90% إلى 14.4%.

بعبارة أخرى، حتى النموذج الذي يعرف الحقيقة الصحيحة يتخلى عنها كثيرًا ويؤكد فرضيتك الخاطئة إذا وجهت السؤال نحوها.

ما الذي سأفعله عمليًا

إذا كنت تعتمد على هذه الأدوات في عمل حقيقي، فلا تحتاج إلى حفظ كل منزلة عشرية في الرسم. إليك كيف سأحوّل هذه النتائج إلى عادات يومية:

1. اختر التصنيف المناسب لمهمتك. إذا كنت تبني مسار RAG أو تلخص ملفات PDF الخاصة بك، فانتبه إلى أرقام Vectara، حيث يتفوق GPT-6 Sol بنسبة 6.5% وGPT-6 Astra بنسبة 8.7% وClaude Opus 5.5 بنسبة 9.9% جميعًا على Gemini 4 Argon بنسبة 12.1%. وإذا كنت تطرح أسئلة واقعية دون مراجع وتريد نموذجًا يعترف عندما يعجز عن الإجابة، فإن Argon بنسبة 4% في AA v1.1 أكثر تحفظًا بكثير في التخمين من Astra بنسبة 49.8% أو Opus 5.5 بنسبة 50.3%. ولرؤية أوسع لاختيار المستوى المناسب لعملك، استخدم إطارنا حول كيفية اختيار نموذج ذكاء اصطناعي.
2. شغّل البحث على الويب أو قدم المستند. إن تزويد النموذج بالنص المصدر، أو السماح لتطبيق المحادثة بالبحث على الويب، يحول سؤال الذاكرة دون مراجع إلى مهمة مستندة إلى مصدر، وهي ما تقيسه اختبارات Vectara، ويوفر لك مستندًا مرجعيًا للتحقق من الإجابة.
3. اسمح للنموذج صراحة بالامتناع. تحاول عدة نماذج متقدمة في AA-Omniscience الإجابة عن أكثر من 80% من الأسئلة وتختلق إجابات لنحو نصف ما تخطئ فيه. أضف جملة إلى مطالبتك: «إذا لم تكن متأكدًا أو لم تكن الإجابة في النص المقدم، فقل لا أعرف بدلًا من التخمين».
4. لا تبدأ المطالبة بافتراضك الخاص. تذكر نتيجة Stanford بشأن المعرفة والاعتقاد. لا تسأل: «أعتقد أن هذا العقد يسمح بإشعار إنهاء قبل 60 يومًا، أليس كذلك؟» بل اسأل: «ماذا يقول القسم 8 عن مدد إشعار الإنهاء؟» تمنع الأسئلة المحايدة النموذج من مجاراة تخمينك.
5. تحقق من كل ما قد تترتب عليه تكلفة. لا يوجد نموذج في أي من التصنيفين بمعدل 0%. قبل عرض إحصائية أو استشهاد قانوني أو ادعاء طبي على عميل أو مدير، راجع قائمتنا حول كيفية التحقق من إجابات الذكاء الاصطناعي.

الأسئلة الشائعة

أي نموذج ذكاء اصطناعي يهلوس أكثر؟

يعتمد النموذج الأكثر هلوسة على الاختبار المعياري. في AA-Omniscience v1.1، وفق التحقق في 1 نوفمبر 2026، يختلق MiniMax-M3.1-Flash بنسبة 93.7% وGPT-6 Luna الصغير من OpenAI بنسبة 79.3% الإجابات أكثر من غيرهما عندما يخطئان في سؤال، بينما يسجل Claude Fable 5.1 نسبة 70.0% وهي الأعلى بين النماذج العليا. وفي تصنيف التلخيص من Vectara بتاريخ 22 أكتوبر 2026، يقع o3-pro من OpenAI بنسبة 23.3% ونموذجا grok-4-1-fast من xAI، بالاستدلال بنسبة 19.2% ودونه بنسبة 17.8%، قرب نهاية القائمة.

كم مرة تهلوس نماذج الذكاء الاصطناعي؟

يعتمد ذلك على تقديم مستندات مصدرية من عدمه. في التلخيص المستند إلى مصدر، وفق Vectara في 22 أكتوبر 2026، يتراوح التصنيف من 1.8% إلى 24.2%، وتقع النماذج الرائدة الأربعة الحالية بين 6.5% و12.1%. وفي الأسئلة الواقعية دون مراجع في AA-Omniscience v1.1، عندما لا تعرف النماذج الإجابة، تختلق نماذج متقدمة كثيرة الإجابة في نحو نصف الحالات: GPT-6 Astra بنسبة 49.8% وClaude Opus 5.5 بنسبة 50.3% وGPT-6.1 Sol بنسبة 51.9%.

هل يهلوس Claude أقل من ChatGPT؟

عند مقارنة النموذجين مباشرة، يتقارب Claude وGPT-6 للغاية حتى 1 نوفمبر 2026. في اختبار التلخيص من Vectara بتاريخ 22 أكتوبر 2026، يتفوق GPT-6 Astra بنسبة 8.7% قليلًا على Claude Opus 5.5 بنسبة 9.9%. وفي AA-Omniscience v1.1 يتعادل Opus 5.5 بنسبة 50.3% وAstra بنسبة 49.8% في معدل الهلوسة، رغم أن Opus 5.5 يجيب إجابة صحيحة أكثر إجمالًا بنسبة 65.5% مقابل 61.6%. وفي الفئات الأصغر يختلق Claude Haiku 5.5 بنسبة 34.2% إجابات أقل بكثير من GPT-6 Luna بنسبة 79.3%.

ما معدل هلوسة Grok؟

حتى 1 نوفمبر 2026، يسجل Grok 4.7 (Xhigh) من xAI معدل هلوسة 20.0% في AA-Omniscience v1.1، مع دقة 42.7% ومعدل محاولة متحفظ يبلغ 55.7%. ولا يظهر Grok 4.7 لدى Vectara حتى 22 أكتوبر 2026، حيث سجلت نماذج xAI الأقدم 5.8% لـ grok-3 و17.8% لـ grok-4-1-fast دون استدلال و19.2% لـ grok-4-1-fast مع الاستدلال. وقبل ذلك، سجل 2026 AI Index من Stanford نموذج Grok 4.20 Beta 0305 بوصفه الأدنى بين 26 نموذجًا في AA-Omniscience v1 بنسبة 22%.

آخر تحقق من الأرقام: 1 نوفمبر 2026. المراجعة التالية: 30 نوفمبر 2026.

المصادر

• Vectara، تصنيف الهلوسة (حُدّث في 22 أكتوبر 2026) والتصنيف التفاعلي على Hugging Face
• Artificial Analysis، تقييم AA-Omniscience، الإصدار v1.1 (التحقق في 1 نوفمبر 2026)، وJackson وKeating وCameron وHill-Smith، AA-Omniscience: Evaluating Cross-Domain Knowledge Reliability in Large Language Models
• The Next Web، تقرير معدل هلوسة Gemini 4 Argon لدى Artificial Analysis مقارنة بـ GPT-6 Astra، 2 أكتوبر 2026
• Stanford HAI، 2026 AI Index Report — الفصل 3: الذكاء الاصطناعي المسؤول وملف الفصل 3 بصيغة PDF