Tassi di allucinazione IA per modello: cosa misurano le classifiche

Confrontare i tassi di allucinazione IA tra modelli porta a risposte diverse a seconda del test consultato. Al 1° novembre 2026, Gemini 4 Argon di Google registra il tasso di allucinazione più basso nel test di conoscenza di Artificial Analysis (4%), ma il più alto tra i quattro principali modelli di punta nella classifica di Vectara sulla sintesi di documenti (12.1%).

Un’allucinazione IA è un’affermazione espressa con sicurezza da un modello che è falsa o assente dal testo di origine. Il tasso di allucinazione è la percentuale di risposte, oppure, a seconda del test, di domande senza risposta o sbagliate, in cui il modello inventa fatti anziché basarsi sulle fonti o ammettere di non sapere.

Tassi di allucinazione IA per modello: i dati del 2026 in breve

I tassi attuali per modello divergono nettamente tra test basati su documenti e test di memoria senza materiale di consultazione. Al 1° novembre 2026, le due classifiche pubbliche più citate, il Hallucination Leaderboard di Vectara (aggiornato il 22 ottobre 2026) e AA-Omniscience v1.1 di Artificial Analysis (lanciato a ottobre 2026, consultato il 1° novembre 2026), collocano gli stessi modelli avanzati in ordine quasi opposto.

Modello	Tasso di allucinazione Vectara (22 ott. 2026)	Tasso di allucinazione AA-Omniscience v1.1	Accuratezza 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	Non testato	43.3% (Max)	51.5%
Gemini 4 Argon	12.1%	4% (High)	Non rilevata
Grok 4.7	Non testato	20.0% (Xhigh)	42.7%

Nota: la classifica di Vectara del 22 ottobre 2026 testa GPT-6 Sol di OpenAI, mentre AA-Omniscience v1.1 testa il più recente GPT-6.1 Sol. Sono versioni diverse, non direttamente corrispondenti.

Affiancando le due colonne si capisce perché i titoli creino confusione. Su Vectara, GPT-6 Sol (6.5%) e GPT-6 Astra (8.7%) superano Claude Opus 5.5 (9.9%) e Gemini 4 Argon (12.1%). Su Artificial Analysis, Gemini 4 Argon è al 4% e Grok 4.7 al 20.0%, mentre GPT-6 Astra (49.8%) e Claude Opus 5.5 (50.3%) sono vicini al 50%.

Nessuna delle due classifiche è difettosa. Misurano due compiti completamente diversi.

Cosa misura la classifica delle allucinazioni di Vectara?

La classifica di Vectara misura se un modello resta fedele al documento di riferimento che gli viene chiesto di riassumere. Nell’aggiornamento del 22 ottobre 2026, Vectara chiede a ogni modello, ove possibile con temperatura 0, di riassumere articoli «usando solo i fatti presentati nel documento».

Per valutare i risultati, Vectara usa il proprio modello commerciale di valutazione delle allucinazioni, HHEM-2.3, su un insieme di dati privato con oltre 7,700 articoli da 50 a 24,000 parole, relativi a notizie, tecnologia, scienza, medicina, diritto, sport, economia e istruzione. Mantenere privati gli articoli impedisce agli sviluppatori di addestrare i modelli specificamente per superare il test.

Vectara riporta due valori per ogni modello:

• Tasso di allucinazione: la quota di riassunti non coerenti con i fatti del documento originale.
• Tasso di risposta: la frequenza con cui il modello ha accettato di riassumere il documento invece di rifiutare.

Secondo Vectara, le allucinazioni si possono giudicare in modo affidabile solo disponendo di un testo di riferimento; il test funge quindi da indicatore per la generazione aumentata dal recupero (RAG) e le pipeline di agenti che riassumono risultati di ricerca. Al 22 ottobre 2026, il valore più basso dell’intera classifica appartiene a antgroup/finix_s1_32b, con 1.8% (tasso di risposta 99.5%). Tra i modelli noti, il precedente Grok 3 di xAI ottiene 5.8% (con un tasso di risposta inferiore, 93.0%), GPT-6 Sol raggiunge 6.5% (tasso di risposta 100%) e GPT-6 Astra 8.7% (tasso di risposta 100%). Tra i modelli meno efficaci elencati, grok-4-1-fast di xAI registra 17.8% in modalità senza ragionamento (tasso di risposta 98.5%) e 19.2% in modalità di ragionamento (tasso di risposta 99.7%), mentre o3-pro di OpenAI è al 23.3% (tasso di risposta 100%). Al 22 ottobre 2026, GPT-6.1 Sol, Claude Sonnet 5.5, Claude Haiku 5.5 e Grok 4.7 non figurano nella classifica di Vectara.

Se nel lavoro quotidiano incolli un PDF, un contratto o la trascrizione di una riunione in uno strumento IA e chiedi un riassunto, il test di Vectara corrisponde al tuo flusso di lavoro.

Cosa misura AA-Omniscience?

AA-Omniscience v1.1 di Artificial Analysis misura se un modello conosce fatti a memoria e se ammette di non sapere. A differenza di Vectara, AA-Omniscience non fornisce documenti di riferimento: è un esame senza materiali di consultazione con 3,000 domande in sei ambiti, aggiornato a ottobre 2026 da un precedente insieme v1 di 6,000 domande.

Il test è descritto nello studio AA-Omniscience: Evaluating Cross-Domain Knowledge Reliability in Large Language Models di Jackson, Keating, Cameron e Hill-Smith. Per ogni modello Artificial Analysis riporta tre metriche principali più il tasso di tentativo:

• Accuratezza: risposte corrette divise per tutte le 3,000 domande.
• Tasso di allucinazione: risposte errate divise per tutte le domande a cui il modello non ha risposto correttamente (errate + parziali + non tentate). In parole semplici: tra le domande non risolte correttamente, quanto spesso il modello ha inventato una risposta sbagliata invece di dire «Non lo so»?
• Punteggio netto (AA-Omniscience Index): una scala da −100 a 100 che premia le risposte corrette, penalizza quelle errate e non penalizza il rifiuto di rispondere. Un punteggio di 0 significa che il modello ha dato tante risposte corrette quante errate.

Per via di questo denominatore, un tasso di allucinazione del 50% su AA-Omniscience non significa che il modello sbagli metà delle volte. Prendiamo Claude Opus 5.5 (Max) al 1° novembre 2026: risponde correttamente al 65.5% di tutte le domande. Tra quelle rimanenti, a cui non ha risposto correttamente, inventa una risposta errata nel 50.3% dei casi invece di astenersi, ottenendo un punteggio netto di 48.1.

Ecco una selezione più ampia di modelli su AA-Omniscience v1.1 al 1° novembre 2026:

Modello (impostazione AA)	Punteggio netto	Accuratezza	Tasso di allucinazione	Tasso di tentativo
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	Non rilevata	4%	Non rilevato
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%

Nota: quando questi dati sono stati rilevati il 1° novembre 2026, Gemini 4 Carbon era disponibile solo tramite il Fairwind Program di Google. È diventato generalmente disponibile sulla Gemini API il 10 novembre 2026; consulta la nostra guida a Gemini 4 Carbon.

Se inserisci una domanda fattuale direttamente in un chatbot senza incollare fonti o attivare la ricerca web, AA-Omniscience riflette il rischio che corri.

Perché le classifiche delle allucinazioni degli LLM non concordano?

Le classifiche delle allucinazioni degli LLM ordinano gli stessi modelli in modo diverso perché testano tipi di errore differenti e usano calcoli differenti. Gemini 4 Argon è l’esempio più chiaro: al 1° novembre 2026 ha il tasso di allucinazione più basso tra i modelli di punta su AA-Omniscience v1.1 (4%), ma il più alto tra i quattro testati da Vectara (12.1%, dietro GPT-6 Sol al 6.5%, GPT-6 Astra all’8.7% e Claude Opus 5.5 al 9.9%).

Tre fattori spiegano la differenza:

1. Fedeltà alle fonti e calibrazione

Vectara verifica la fedeltà alle fonti: il modello riesce a riassumere un documento davanti a sé senza aggiungere dettagli esterni o distorcere una frase? AA-Omniscience verifica la calibrazione: quando il modello non ricorda un fatto, si trattiene o tira a indovinare? Un modello può essere addestrato ad astenersi cortesemente su fatti poco noti (ottenendo buoni risultati su AA-Omniscience), ma continuare ad aggiungere dettagli o parafrasare liberamente nel riassumere un articolo (ottenendo risultati peggiori su Vectara).

2. Denominatori diversi

Vectara divide i riassunti incoerenti per tutti i riassunti scritti dal modello. AA-Omniscience divide le risposte errate solo per le domande a cui il modello non ha risposto correttamente. Poiché i denominatori sono completamente diversi, non si può confrontare l’8.7% di Vectara con il 49.8% di AA-Omniscience.

3. Il compromesso tra prudenza e audacia

Osservando i tassi di tentativo su AA-Omniscience v1.1 emerge uno schema chiaro: i modelli che tentano quasi ogni domanda inventano più spesso risposte anche per quelle che sbagliano. Il modello più costoso di Anthropic, Claude Fable 5.1 (Max), registra la massima accuratezza della classifica, 68.4%, con un tasso di tentativo del 93.7%; sulle domande non risolte correttamente, a tale alto tasso si accompagna un tasso di allucinazione del 70.0%. Altri modelli con alti tassi di tentativo mostrano lo stesso schema con accuratezza inferiore: GPT-6 Luna (Max) tenta il 90.4% delle domande, ne risolve correttamente il 39.6%, inventa risposte nel 79.3% di quelle sbagliate e conclude con un punteggio netto di −8.3. MiniMax-M3.1-Flash tenta il 98.7% delle domande, ne risolve il 45.1% e registra un tasso di allucinazione del 93.7% (punteggio netto −6.4).

Al contrario, i modelli che rifiutano più spesso mantengono bassi i tassi di allucinazione, rispondendo però complessivamente a meno domande rispetto ai migliori per accuratezza. Grok 4.7 (Xhigh) tenta il 55.7% del test e registra un tasso di allucinazione del 20.0% con accuratezza del 42.7%. Gemini 4 Carbon (High) tenta il 64.3% delle domande, combinando accuratezza del 58.3% e tasso di allucinazione dell’11.4% per il punteggio netto più alto della classifica, 53.5.

Perché si vedono dati diversi per lo stesso modello?

Le cifre discordanti sulle allucinazioni dello stesso modello derivano di solito da aggiornamenti dei benchmark e date di test diverse. Se hai seguito le uscite dei modelli IA dell’autunno 2026, potresti aver visto un articolo molto condiviso di The Next Web del 2 ottobre 2026: Gemini 4 Argon aveva un tasso di allucinazione del 15% su AA-Omniscience, contro il 51% di GPT-6 Astra e il 54% di GPT-6.1 Sol, e rispondeva correttamente al 50% delle domande contro il 63% di Astra.

Qualche settimana dopo, sulla pagina di Artificial Analysis del 1° novembre 2026, Argon (High) è al 4%, GPT-6 Astra (Max) al 49.8% (con accuratezza del 61.6%) e GPT-6.1 Sol (Max) al 51.9% (con accuratezza del 61.8%).

Parte della differenza dipende dall’aggiornamento del benchmark: a ottobre 2026 Artificial Analysis ha portato AA-Omniscience da v1 (6,000 domande) a v1.1 (3,000 domande), eliminando le domande sature. Come osserva Artificial Analysis nella pagina di valutazione, la maggior parte dei modelli ottiene punteggi inferiori su v1.1, un cambiamento che riflette la modifica dei dati e non una regressione dei modelli. Inoltre, i test del 2 ottobre risalgono al periodo di accesso anticipato ad Argon, quando Google aveva fornito il modello solo a un piccolo gruppo di difensori informatici prima del rilascio più ampio. Oltre alla modifica dei dati e alle date, Artificial Analysis non dettaglia i motivi esatti delle singole variazioni: la scelta più prudente è controllare sempre versione del benchmark e data di provenienza di una cifra.

Quando leggi un titolo che attribuisce a un modello una specifica percentuale di allucinazione, verifica rapidamente quattro punti prima di fidarti:

1. Quale test? La sintesi basata su fonti (come Vectara) e il richiamo di fatti senza materiali (come AA-Omniscience) non sono intercambiabili.
2. Quale versione del benchmark e quale data? Un dato di AA-Omniscience v1 di inizio ottobre 2026 non è direttamente confrontabile con uno di v1.1 del 1° novembre 2026.
3. Quale versione e impostazione del modello? GPT-6 Sol e GPT-6.1 Sol sono versioni diverse; AA indica anche lo sforzo di ragionamento o il livello, per esempio (Max), (High) o (Xhigh).
4. Qual è il denominatore? Verifica se la percentuale riguarda tutti i prompt o solo quelli a cui il modello non ha risposto correttamente.

Claude allucina meno di ChatGPT?

Confrontando i modelli da soli al 1° novembre 2026, Claude Opus 5.5 di Anthropic e GPT-6 Astra di OpenAI allucinano a tassi quasi identici, senza un netto vantaggio per nessuno dei due.

Nella classifica di Vectara sulla sintesi del 22 ottobre 2026, OpenAI ha un lieve vantaggio: GPT-6 Astra allucina nell’8.7% dei riassunti e GPT-6 Sol nel 6.5%, contro il 9.9% di Claude Opus 5.5.

Su AA-Omniscience v1.1 (consultato il 1° novembre 2026), i due modelli di punta sono sostanzialmente alla pari per tasso di allucinazione: 50.3% per Claude Opus 5.5 (Max), contro 49.8% per GPT-6 Astra (Max) e 51.9% per GPT-6.1 Sol (Max). Claude Opus 5.5 risponde però correttamente a più domande (accuratezza 65.5% contro 61.6% per Astra e 61.8% per 6.1 Sol), ottenendo un punteggio netto più alto (48.1 contro 42.4 e 42.0).

Nei livelli più piccoli su AA-Omniscience v1.1 il divario cresce a favore di Anthropic: Claude Sonnet 5.5 (Max) registra un tasso di allucinazione del 43.3% (accuratezza 51.5%) e Claude Haiku 5.5 (Max) del 34.2% (accuratezza 34.7%, tasso di tentativo 60.0%), mentre GPT-6 Luna (Max) di OpenAI, destinato a uso su larga scala, inventa risposte nel 79.3% delle domande che sbaglia.

Una precisazione cruciale per l’uso quotidiano: «Claude» e «ChatGPT» sono app per i consumatori, mentre le classifiche testano i modelli API da soli. Usando l’app ChatGPT o Claude al lavoro, funzioni come la ricerca web integrata possono cambiare il risultato inserendo fonti aggiornate nel prompt.

Il contributo dello Stanford AI Index 2026 e l’errore nel prompt che fa crollare l’accuratezza

Il 2026 AI Index Report di Stanford HAI (capitolo 3, Responsible AI) colloca questi dati in un contesto più ampio. Esaminando generazioni precedenti su entrambi i benchmark, Stanford ha rilevato che i 15 migliori modelli nella classifica HHEM di Vectara andavano dall’1.8% al 5.4% (la maggior parte tra 4% e 5%), mentre 26 modelli testati su AA-Omniscience v1 con 6,000 domande andavano dal 22% al 94%: Grok 4.20 Beta 0305 era il più basso al 22% e Claude 4.5 Haiku era al 26%, mentre gpt-oss-20B (high) raggiungeva il 94% e Gemini 3 Flash il 92%. Stanford ha riassunto così la metrica AA: «Un tasso di allucinazione inferiore implica che il modello è più preparato o riconosce meglio quando è incerto».

Stanford ha anche segnalato che i rapporti dei produttori sui benchmark per un’IA responsabile restano scarsi, mentre gli incidenti IA documentati nell’AI Incident Database sono saliti da 233 nel 2024 a 362 nel 2025.

Per chi usa l’IA al lavoro, la scoperta più utile del capitolo di Stanford non è un punteggio, ma la difficoltà dei modelli nel distinguere la conoscenza oggettiva da una convinzione dell’utente. Quando i ricercatori hanno presentato una falsa affermazione nel prompt come una convinzione dell’utente, l’accuratezza fattuale è crollata:

• GPT-4o è sceso dal 98.2% al 64.4% di accuratezza.
• DeepSeek R1 è precipitato da oltre il 90% al 14.4% di accuratezza.

In altre parole, anche un modello che conosce il fatto corretto spesso lo abbandona e convalida la tua falsa premessa se orienti la risposta.

Cosa farei davvero

Se ti affidi a questi strumenti per il lavoro, non serve memorizzare ogni decimale di un grafico. Ecco come trasformerei questi risultati in abitudini quotidiane:

1. Scegli la classifica adatta al compito. Se costruisci una pipeline RAG o riassumi i tuoi PDF, guarda i dati di Vectara, dove GPT-6 Sol (6.5%), GPT-6 Astra (8.7%) e Claude Opus 5.5 (9.9%) superano tutti Gemini 4 Argon (12.1%). Se poni domande fattuali senza materiali e vuoi un modello che ammetta di non sapere, Argon (4% su AA v1.1) è molto più prudente nel tirare a indovinare rispetto ad Astra (49.8%) o Opus 5.5 (50.3%). Per una scelta più ampia del livello adatto, usa la nostra guida su come scegliere un modello IA.
2. Attiva la ricerca web o fornisci il documento. Dare al modello il testo originale, o lasciare che l’app cerchi sul web, trasforma una domanda di memoria senza materiali in un compito basato su fonti, come quelli misurati dai test di Vectara, e fornisce un documento di riferimento per verificare la risposta.
3. Autorizza esplicitamente il modello ad astenersi. Diversi modelli avanzati su AA-Omniscience tentano oltre l’80% delle domande e inventano risposte per circa metà di quelle sbagliate. Aggiungi una frase al prompt: «Se non sei sicuro o la risposta non è nel testo fornito, di’ “Non lo so” invece di indovinare».
4. Non iniziare mai il prompt con una tua supposizione. Ricorda la scoperta di Stanford su conoscenza e convinzione. Non chiedere: «Credo che questo contratto preveda un preavviso di recesso di 60 giorni, giusto?» Chiedi: «Cosa dice la sezione 8 sui termini di preavviso per il recesso?» Le domande neutrali impediscono al modello di assecondare la tua ipotesi.
5. Verifica tutto ciò che può avere un costo. Nessun modello nelle due classifiche è allo 0%. Prima di presentare a un cliente o superiore una statistica, una citazione legale o un’affermazione medica, consulta la nostra lista per verificare le risposte dell’IA.

FAQ

Quale modello IA allucina di più?

Dipende dal benchmark. Su AA-Omniscience v1.1 (consultato il 1° novembre 2026), MiniMax-M3.1-Flash (93.7%) e il piccolo GPT-6 Luna di OpenAI (79.3%) inventano risposte più spesso quando sbagliano una domanda, mentre Claude Fable 5.1 (70.0%) è il più alto tra i modelli di fascia superiore. Nella classifica di Vectara sulla sintesi del 22 ottobre 2026, o3-pro di OpenAI (23.3%) e i modelli grok-4-1-fast di xAI con ragionamento (19.2%) e senza ragionamento (17.8%) sono vicini al fondo dell’elenco.

Quanto allucinano i modelli IA?

Dipende dalla disponibilità di documenti originali. Nella sintesi basata su fonti (Vectara, 22 ottobre 2026), la classifica va dall’1.8% al 24.2% e i quattro attuali modelli di punta si collocano tra 6.5% e 12.1%. Nelle domande fattuali senza materiali (AA-Omniscience v1.1), quando non conoscono la risposta molti modelli avanzati inventano circa metà delle volte (GPT-6 Astra 49.8%, Claude Opus 5.5 50.3%, GPT-6.1 Sol 51.9%).

Claude allucina meno di ChatGPT?

Nel confronto diretto, Claude e GPT-6 sono quasi alla pari al 1° novembre 2026. Nel test di sintesi di Vectara del 22 ottobre 2026, GPT-6 Astra (8.7%) supera di poco Claude Opus 5.5 (9.9%). Su AA-Omniscience v1.1, Opus 5.5 (50.3%) e Astra (49.8%) sono alla pari per tasso di allucinazione, anche se Opus 5.5 dà più risposte corrette complessivamente (65.5% contro 61.6%). Nei livelli più piccoli, Claude Haiku 5.5 (34.2%) inventa molto meno di GPT-6 Luna (79.3%).

Qual è il tasso di allucinazione di Grok?

Al 1° novembre 2026, Grok 4.7 (Xhigh) di xAI registra un tasso di allucinazione del 20.0% su AA-Omniscience v1.1, con accuratezza del 42.7% e un prudente tasso di tentativo del 55.7%. Grok 4.7 non figura su Vectara al 22 ottobre 2026, dove i precedenti modelli xAI hanno ottenuto 5.8% (grok-3), 17.8% (grok-4-1-fast senza ragionamento) e 19.2% (grok-4-1-fast con ragionamento). In precedenza, il 2026 AI Index di Stanford aveva indicato Grok 4.20 Beta 0305 come il più basso tra 26 modelli su AA-Omniscience v1, al 22%.

Dati verificati l’ultima volta il 1° novembre 2026. Prossima verifica: 30 novembre 2026.

Fonti

• Vectara, Hallucination Leaderboard (aggiornato il 22 ottobre 2026) e classifica interattiva su Hugging Face
• Artificial Analysis, AA-Omniscience Evaluation, v1.1 (consultato il 1° novembre 2026), e Jackson, Keating, Cameron e Hill-Smith, AA-Omniscience: Evaluating Cross-Domain Knowledge Reliability in Large Language Models
• The Next Web, articolo sul tasso di allucinazione di Gemini 4 Argon su Artificial Analysis rispetto a GPT-6 Astra, 2 ottobre 2026
• Stanford HAI, 2026 AI Index Report — capitolo 3: Responsible AI e PDF del capitolo 3