모델별 AI 환각률: 할루시네이션 순위는 무엇을 측정하나

모델별 AI 환각률을 비교하면 어떤 시험을 보느냐에 따라 답이 달라집니다. 2026년 11월 1일 기준 Google의 Gemini 4 Argon은 Artificial Analysis의 지식 시험에서 가장 낮은 할루시네이션 비율(4%)을 기록했지만, Vectara의 문서 요약 순위에서는 주요 플래그십 모델 4개 중 환각률이 가장 높습니다(12.1%).

AI 할루시네이션은 모델이 자신 있게 한 말이 사실과 다르거나 원문에 없는 경우입니다. 환각률은 모델이 근거에 충실하거나 모른다고 인정하는 대신 사실을 지어낸 출력의 비율입니다. 시험에 따라서는 답하지 못했거나 틀린 질문을 기준으로 합니다.

모델별 AI 환각률: 2026년 수치 한눈에 보기

현재 모델별 환각률은 문서를 근거로 하는 시험과 자료 없이 기억에 의존하는 시험 사이에서 크게 갈립니다. 2026년 11월 1일 기준 가장 많이 인용되는 공개 순위 두 가지인 Vectara의 Hallucination Leaderboard(최종 업데이트 2026년 10월 22일)와 Artificial Analysis의 AA-Omniscience v1.1(2026년 10월 출시, 2026년 11월 1일 확인)은 같은 최첨단 모델들을 거의 반대 순서로 배치합니다.

모델	Vectara 환각률 (2026년 10월 22일)	AA-Omniscience v1.1 환각률	AA-Omniscience v1.1 정확도
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	미시험	43.3% (Max)	51.5%
Gemini 4 Argon	12.1%	4% (High)	미기록
Grok 4.7	미시험	20.0% (Xhigh)	42.7%

참고: Vectara의 2026년 10월 22일 순위는 OpenAI의 GPT-6 Sol을 시험하지만 AA-Omniscience v1.1은 더 최신인 GPT-6.1 Sol을 시험합니다. 서로 다른 모델 버전이므로 일대일로 직접 대응하지 않습니다.

두 열을 나란히 보면 기사 제목이 왜 혼란스러운지 알 수 있습니다. Vectara에서는 GPT-6 Sol(6.5%)과 GPT-6 Astra(8.7%)가 Claude Opus 5.5(9.9%)와 Gemini 4 Argon(12.1%)보다 앞섭니다. Artificial Analysis에서는 Gemini 4 Argon이 4%, Grok 4.7이 20.0%인 반면 GPT-6 Astra(49.8%)와 Claude Opus 5.5(50.3%)는 50%에 가깝습니다.

어느 순위도 잘못된 것이 아닙니다. 완전히 다른 두 가지 작업을 측정하기 때문입니다.

Vectara의 할루시네이션 순위는 무엇을 측정하나?

Vectara의 할루시네이션 순위는 모델이 요약하도록 제공받은 참조 문서에 충실한지를 측정합니다. 2026년 10월 22일 업데이트에서 Vectara는 가능한 경우 온도 0으로 각 모델에 기사를 “문서에 제시된 사실만 사용하여” 요약하라고 요청합니다.

Vectara는 결과를 평가하기 위해 상용 할루시네이션 평가 모델 HHEM-2.3을 사용합니다. 대상은 뉴스, 기술, 과학, 의학, 법률, 스포츠, 비즈니스, 교육 분야의 50~24,000단어짜리 기사 7,700개가 넘는 비공개 데이터셋입니다. 기사를 비공개로 유지하면 개발자가 이 시험을 잘 치르도록 모델을 특별히 훈련하는 것을 막을 수 있습니다.

Vectara는 모델마다 두 수치를 발표합니다.

• 환각률: 원본 문서와 사실관계가 일치하지 않는 요약의 비율.
• 응답률: 모델이 문서 요약을 거부하지 않고 수락한 빈도.

Vectara는 참조 텍스트가 있어야 할루시네이션을 신뢰성 있게 판단할 수 있다고 주장합니다. 따라서 이 시험은 검색 증강 생성(RAG)과 검색 결과를 요약하는 에이전트 파이프라인을 가늠하는 지표가 됩니다. 2026년 10월 22일 기준 전체 순위에서 가장 낮은 수치는 antgroup/finix_s1_32b의 1.8%(응답률 99.5%)입니다. 잘 알려진 모델 중에서는 xAI의 이전 모델 Grok 3이 5.8%(다만 응답률은 더 낮은 93.0%), GPT-6 Sol이 6.5%(응답률 100%), GPT-6 Astra가 8.7%(응답률 100%)를 기록했습니다. 목록에서 성적이 낮은 쪽을 보면 xAI의 grok-4-1-fast는 비추론 모드에서 17.8%(응답률 98.5%), 추론 모드에서 19.2%(응답률 99.7%)이며, OpenAI의 o3-pro는 23.3%(응답률 100%)입니다. 2026년 10월 22일 기준 GPT-6.1 Sol, Claude Sonnet 5.5, Claude Haiku 5.5, Grok 4.7은 Vectara 순위에 없습니다.

일상 업무에서 PDF, 계약서 또는 회의록을 AI 도구에 붙여 넣고 요약을 요청한다면 Vectara의 시험이 그 작업 방식에 해당합니다.

AA-Omniscience는 무엇을 측정하나?

Artificial Analysis의 AA-Omniscience v1.1은 모델이 사실을 기억하고 있는지, 모를 때 이를 인정하는지를 측정합니다. Vectara와 달리 AA-Omniscience는 참조 문서를 제공하지 않습니다. 6개 분야의 3,000개 질문으로 구성된 자료 없는 시험으로, 이전의 6,000문항 v1 세트에서 2026년 10월에 업데이트됐습니다.

이 시험은 Jackson, Keating, Cameron, Hill-Smith의 논문 AA-Omniscience: Evaluating Cross-Domain Knowledge Reliability in Large Language Models에 설명되어 있습니다. Artificial Analysis는 각 모델에 대해 응답 시도율과 함께 세 가지 주요 지표를 발표합니다.

• 정확도: 정답 수를 전체 3,000개 질문 수로 나눈 값.
• 환각률: 오답 수를 모델이 정답을 맞히지 못한 모든 질문 수(오답 + 부분 정답 + 미시도)로 나눈 값. 쉽게 말해, 맞히지 못한 질문에서 “모르겠습니다”라고 말하는 대신 틀린 답을 지어낸 빈도입니다.
• 순점수(AA-Omniscience Index): 정답에는 점수를 주고 오답에는 감점하며 답변 거부에는 감점하지 않는 −100~100의 척도. 0점은 정답과 오답의 수가 같다는 뜻입니다.

이 분모의 작동 방식 때문에 AA-Omniscience의 환각률 50%가 모델이 절반의 경우에 틀린다는 뜻은 아닙니다. 2026년 11월 1일 기준 Claude Opus 5.5 (Max)를 보면 전체 질문의 65.5%를 맞힙니다. 나머지 정답을 맞히지 못한 질문에서는 답변을 삼가는 대신 50.3%의 빈도로 오답을 지어내 순점수 48.1을 얻습니다.

2026년 11월 1일 기준 AA-Omniscience v1.1에서 더 다양한 모델의 결과는 다음과 같습니다.

모델 (AA 설정)	순점수	정확도	환각률	응답 시도율
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	미기록	4%	미기록
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%

참고: 2026년 11월 1일 이 수치를 기록했을 당시 Gemini 4 Carbon은 Google의 Fairwind Program을 통해서만 이용할 수 있었습니다. 2026년 11월 10일 Gemini API에서 일반 제공되기 시작했습니다. Gemini 4 Carbon 가이드를 참고하세요.

출처 자료를 붙여 넣거나 웹 검색을 켜지 않은 채 챗봇에 사실 질문을 바로 입력한다면 AA-Omniscience는 그때 감수하는 위험을 보여줍니다.

LLM 할루시네이션 순위는 왜 서로 다를까?

LLM 할루시네이션 순위가 같은 모델을 다르게 배열하는 이유는 서로 다른 실패 유형을 시험하고 계산법도 다르기 때문입니다. Gemini 4 Argon이 가장 분명한 예입니다. 2026년 11월 1일 기준 AA-Omniscience v1.1에서는 플래그십 중 환각률이 가장 낮지만(4%), Vectara가 시험한 플래그십 4개 중에서는 가장 높습니다(12.1%, GPT-6 Sol 6.5%, GPT-6 Astra 8.7%, Claude Opus 5.5 9.9%보다 높음).

이 차이는 세 가지 요인에서 비롯됩니다.

1. 근거 충실도와 보정

Vectara는 근거 충실도를 시험합니다. 모델이 눈앞의 문서를 외부 세부 사항을 섞거나 문장을 왜곡하지 않고 요약할 수 있을까요? AA-Omniscience는 보정을 시험합니다. 모델이 사실을 기억하지 못할 때 답을 삼갈까요, 아니면 추측할까요? 모델은 잘 알려지지 않은 사실을 물었을 때 정중히 답변을 삼가도록 훈련받아 AA-Omniscience에서 좋은 점수를 받으면서도, 기사를 요약할 때 내용을 꾸미거나 느슨하게 바꿔 써 Vectara에서는 더 나쁜 점수를 받을 수 있습니다.

2. 서로 다른 분모

Vectara는 불일치하는 요약 수를 모델이 작성한 모든 요약 수로 나눕니다. AA-Omniscience는 오답 수를 모델이 정답을 맞히지 못한 질문 수로만 나눕니다. 분모가 완전히 다르므로 Vectara의 8.7%와 AA-Omniscience의 49.8%를 비교할 수 없습니다.

3. 신중함과 대담함 사이의 절충

AA-Omniscience v1.1의 응답 시도율을 자세히 보면 뚜렷한 패턴이 나타납니다. 거의 모든 질문에 답하려는 모델은 맞히지 못한 질문에서도 오답을 더 자주 지어냅니다. Anthropic의 가장 비싼 모델인 Claude Fable 5.1 (Max)은 순위에서 가장 높은 정확도 68.4%와 응답 시도율 93.7%를 기록합니다. 그리고 정답을 맞히지 못한 질문에서는 높은 시도율과 함께 환각률 70.0%를 보입니다. 시도율이 높은 다른 모델도 정확도는 더 낮지만 같은 패턴을 보입니다. GPT-6 Luna (Max)는 질문의 90.4%에 답변을 시도하고 39.6%를 맞히며, 맞히지 못한 질문의 79.3%에서 오답을 지어내 순점수 −8.3으로 마칩니다. MiniMax-M3.1-Flash는 질문의 98.7%에 답변을 시도하고 45.1%를 맞히며 환각률 93.7%를 기록합니다(순점수 −6.4).

반대로 더 자주 답변을 거부하는 모델은 환각률을 낮게 유지하지만, 전체적으로 정확도 상위 모델보다 적은 질문에 답합니다. Grok 4.7 (Xhigh)은 시험의 55.7%에 답변을 시도해 정확도 42.7%와 환각률 20.0%를 기록합니다. Gemini 4 Carbon (High)은 질문의 64.3%에 답변을 시도해 정확도 58.3%와 환각률 11.4%로 순위에서 가장 높은 순점수 53.5를 얻습니다.

같은 모델의 수치가 다르게 나타나는 이유는?

같은 모델의 환각 수치가 엇갈리는 이유는 대개 벤치마크 업데이트와 시험 날짜의 차이입니다. 2026년 가을 AI 모델 출시를 지켜봤다면 2026년 10월 2일 널리 공유된 The Next Web의 보도를 봤을 수 있습니다. 이 보도에 따르면 AA-Omniscience에서 Gemini 4 Argon의 환각률은 15%, GPT-6 Astra는 51%, GPT-6.1 Sol은 54%였으며, Argon의 정답률은 50%로 Astra의 63%와 비교됐습니다.

몇 주 뒤인 2026년 11월 1일 Artificial Analysis 페이지를 확인하면 Argon (High)은 4%, GPT-6 Astra (Max)는 49.8%(정확도 61.6%), GPT-6.1 Sol (Max)은 51.9%(정확도 61.8%)로 표시됩니다.

차이의 일부는 벤치마크 업데이트에서 비롯됩니다. 2026년 10월 Artificial Analysis는 AA-Omniscience를 v1(6,000문항)에서 v1.1(3,000문항)로 바꾸고 포화된 질문을 제거했습니다. Artificial Analysis가 평가 페이지에서 설명하듯 대부분의 모델은 v1.1에서 점수가 더 낮으며, 이는 모델 성능 퇴보가 아니라 데이터셋 변경을 반영합니다. 또한 10월 2일 시험은 Argon의 조기 접근 기간에 이루어졌습니다. 당시 Google은 더 넓게 출시하기 전 소수의 사이버 방어 담당자에게만 모델을 제공했습니다. 데이터셋 변경과 시점 외에 Artificial Analysis는 개별 점수 변화의 정확한 이유를 상세히 밝히지 않습니다. 따라서 수치가 어느 벤치마크 버전과 날짜에서 나온 것인지 항상 확인하는 것이 가장 안전합니다.

모델이 특정 비율로 환각을 일으킨다는 제목을 읽으면 믿기 전에 다음 네 가지를 빠르게 확인하세요.

1. 어떤 시험인가? 근거에 기반한 요약(Vectara 등)과 자료 없는 기억 회상(AA-Omniscience 등)은 서로 바꿔 쓸 수 없습니다.
2. 벤치마크 버전과 날짜는? 2026년 10월 초 AA-Omniscience v1 수치는 2026년 11월 1일의 v1.1 수치와 직접 비교할 수 없습니다.
3. 모델 버전과 설정은? GPT-6 Sol과 GPT-6.1 Sol은 서로 다른 버전입니다. AA는 (Max), (High), (Xhigh)처럼 추론 노력이나 등급 설정도 표시합니다.
4. 분모는 무엇인가? 비율이 모든 프롬프트를 기준으로 하는지, 모델이 정답을 맞히지 못한 프롬프트만을 기준으로 하는지 확인하세요.

Claude는 ChatGPT보다 할루시네이션이 적을까?

2026년 11월 1일 기준 모델 자체를 비교하면 Anthropic의 Claude Opus 5.5와 OpenAI의 GPT-6 Astra는 환각률이 거의 같으며 어느 쪽도 압도적으로 앞서지 않습니다.

Vectara의 2026년 10월 22일 요약 순위에서는 OpenAI가 근소하게 앞섭니다. GPT-6 Astra는 요약의 8.7%, GPT-6 Sol은 6.5%에서 환각을 보인 반면 Claude Opus 5.5는 9.9%입니다.

AA-Omniscience v1.1(2026년 11월 1일 확인)에서 두 플래그십은 환각률이 사실상 비슷합니다. Claude Opus 5.5 (Max)는 50.3%, GPT-6 Astra (Max)는 49.8%, GPT-6.1 Sol (Max)은 51.9%입니다. 다만 Claude Opus 5.5가 더 많은 질문을 맞혀(정확도 65.5%, Astra는 61.6%, 6.1 Sol은 61.8%) Opus 5.5의 순점수가 더 높습니다(48.1 대 42.4 및 42.0).

AA-Omniscience v1.1의 작은 등급으로 내려가면 Anthropic에 유리하게 격차가 커집니다. Claude Sonnet 5.5 (Max)는 환각률 43.3%(정확도 51.5%), Claude Haiku 5.5 (Max)는 34.2%(정확도 34.7%, 응답 시도율 60.0%)를 기록한 반면, 대량 사용을 위한 OpenAI의 GPT-6 Luna (Max)는 맞히지 못한 질문의 79.3%에서 오답을 지어냅니다.

일상 사용자에게 중요한 단서가 있습니다. “Claude”와 “ChatGPT”는 소비자용 앱이지만 순위는 API 모델 자체를 시험합니다. 직장에서 ChatGPT 또는 Claude 앱을 사용할 때는 내장 웹 검색 같은 기능이 실시간 출처를 프롬프트에 가져와 결과를 바꿀 수 있습니다.

Stanford AI Index 2026이 더하는 맥락과 정확도를 무너뜨리는 프롬프트 실수

Stanford HAI의 2026 AI Index Report(3장, Responsible AI)는 이 수치를 더 넓은 맥락에서 살펴봅니다. Stanford는 두 벤치마크에서 이전 세대 모델들을 검토한 결과 Vectara의 HHEM 순위 상위 15개 모델은 1.8%에서 5.4% 사이였고(대부분 4%~5%), 6,000문항의 AA-Omniscience v1에서 시험한 26개 모델은 22%에서 94% 사이였다고 밝혔습니다. Grok 4.20 Beta 0305가 22%로 가장 낮았고 Claude 4.5 Haiku는 26%였으며, gpt-oss-20B (high)는 94%, Gemini 3 Flash는 92%를 기록했습니다. Stanford는 AA 지표를 “환각률이 낮을수록 모델의 지식이 더 많거나 자신이 불확실한 때를 더 잘 안다는 뜻”이라고 요약했습니다.

Stanford는 모델 개발자들의 책임 있는 AI 벤치마크 보고가 여전히 드물다는 점도 지적했습니다. 반면 AI Incident Database에 기록된 AI 사고는 2024년 233건에서 2025년 362건으로 늘었습니다.

직장에서 AI를 사용하는 사람에게 Stanford 장에서 가장 실천적인 발견은 순위 점수가 아닙니다. 모델이 객관적 지식과 사용자의 믿음을 구분하는 데 얼마나 어려움을 겪는가 하는 점입니다. 연구자들이 거짓 주장을 사용자가 사실이라고 믿는 내용으로 프롬프트에 제시하자 사실 정확도가 급락했습니다.

• GPT-4o의 정확도는 98.2%에서 64.4%로 떨어졌습니다.
• DeepSeek R1의 정확도는 90% 초과에서 14.4%로 급락했습니다.

다시 말해 올바른 사실을 아는 모델이라도 질문을 유도하면 그 사실을 버리고 잘못된 전제를 인정하는 경우가 많습니다.

내가 실제로 할 일

실제 업무에서 이 도구들에 의존한다면 그래프의 소수점까지 모두 외울 필요는 없습니다. 나라면 이 결과를 다음과 같은 일상 습관으로 바꾸겠습니다.

1. 업무에 맞는 순위를 고르기. RAG 파이프라인을 구축하거나 자신의 PDF를 요약한다면 Vectara의 수치에 주목합니다. GPT-6 Sol(6.5%), GPT-6 Astra(8.7%), Claude Opus 5.5(9.9%)가 모두 Gemini 4 Argon(12.1%)보다 낫습니다. 자료 없이 사실 질문을 하고 막힐 때 이를 인정하는 모델을 원한다면 Argon(AA v1.1에서 4%)은 Astra(49.8%)나 Opus 5.5(50.3%)보다 추측에 훨씬 신중합니다. 작업에 맞는 등급을 더 폭넓게 고르려면 AI 모델 선택 방법에 관한 가이드를 활용하세요.
2. 웹 검색을 켜거나 문서를 제공하기. 모델에 원문을 제공하거나 채팅 앱이 웹을 검색하도록 하면 자료 없는 기억 질문이 Vectara식 시험이 측정하는 근거 기반 작업으로 바뀝니다. 답변을 대조할 참조 문서도 얻을 수 있습니다.
3. 답변을 삼가도 된다고 명시하기. AA-Omniscience의 여러 최첨단 모델은 질문의 80% 이상에 답변을 시도하고 맞히지 못한 질문의 약 절반에서 오답을 지어냅니다. 프롬프트에 한 문장을 추가하세요. “확실하지 않거나 제공된 텍스트에 답이 없다면 추측하지 말고 ’모르겠습니다’라고 말하세요.”
4. 자신의 가정으로 프롬프트를 시작하지 않기. 지식과 믿음에 관한 Stanford의 발견을 기억하세요. *“이 계약은 60일 전 해지 통지를 허용하는 것 같은데 맞나요?”*라고 묻지 말고 *“제8조는 해지 통지 기간에 대해 무엇이라고 하나요?”*라고 물어보세요. 중립적인 질문은 모델이 사용자의 추측에 동조하는 것을 막습니다.
5. 비용이 따르는 모든 내용을 검증하기. 두 순위 어디에도 0%인 모델은 없습니다. 통계, 법률 인용 또는 의학적 주장을 고객이나 상사에게 제시하기 전에 AI 답변을 사실 확인하는 방법 체크리스트를 살펴보세요.

FAQ

어떤 AI 모델이 가장 많이 환각을 일으키나?

가장 많이 환각을 일으키는 모델은 벤치마크에 따라 다릅니다. AA-Omniscience v1.1(2026년 11월 1일 확인)에서는 MiniMax-M3.1-Flash(93.7%)와 OpenAI의 소형 GPT-6 Luna(79.3%)가 질문을 맞히지 못했을 때 가장 자주 오답을 지어내며, 최상위 모델 중에서는 Claude Fable 5.1(70.0%)이 가장 높습니다. Vectara의 2026년 10월 22일 요약 순위에서는 OpenAI의 o3-pro(23.3%)와 xAI의 grok-4-1-fast 추론 모델(19.2%) 및 비추론 모델(17.8%)이 목록 하위에 있습니다.

AI 모델은 얼마나 자주 환각을 일으키나?

원본 문서를 제공하는지에 따라 다릅니다. 근거 기반 요약(Vectara, 2026년 10월 22일)에서 순위 범위는 1.8%~24.2%이며 현재 플래그십 4개는 6.5%~12.1% 사이입니다. 자료 없는 사실 질문(AA-Omniscience v1.1)에서는 많은 최첨단 모델이 답을 모를 때 약 절반의 빈도로 오답을 지어냅니다(GPT-6 Astra 49.8%, Claude Opus 5.5 50.3%, GPT-6.1 Sol 51.9%).

Claude는 ChatGPT보다 할루시네이션이 적을까?

모델끼리 비교하면 2026년 11월 1일 기준 Claude와 GPT-6는 거의 막상막하입니다. Vectara의 2026년 10월 22일 요약 시험에서는 GPT-6 Astra(8.7%)가 Claude Opus 5.5(9.9%)보다 약간 낫습니다. AA-Omniscience v1.1에서는 Opus 5.5(50.3%)와 Astra(49.8%)의 환각률이 비슷하지만 전체 정답은 Opus 5.5가 더 많습니다(65.5% 대 61.6%). 작은 등급에서는 Claude Haiku 5.5(34.2%)가 GPT-6 Luna(79.3%)보다 오답을 훨씬 적게 지어냅니다.

Grok의 환각률은 얼마인가?

2026년 11월 1일 기준 xAI의 Grok 4.7 (Xhigh)은 AA-Omniscience v1.1에서 환각률 20.0%, 정확도 42.7%, 신중한 응답 시도율 55.7%를 기록했습니다. Grok 4.7은 2026년 10월 22일 기준 Vectara에 없으며, 이전 xAI 모델들은 5.8%(grok-3), 17.8%(grok-4-1-fast 비추론), 19.2%(grok-4-1-fast 추론)를 기록했습니다. 그보다 앞서 Stanford의 2026 AI Index는 Grok 4.20 Beta 0305를 AA-Omniscience v1의 26개 모델 중 가장 낮은 22%로 기록했습니다.

수치 최종 확인일: 2026년 11월 1일. 다음 검토일: 2026년 11월 30일.

출처

• Vectara, Hallucination Leaderboard(2026년 10월 22일 업데이트) 및 Hugging Face 대화형 순위
• Artificial Analysis, AA-Omniscience Evaluation, v1.1(2026년 11월 1일 확인), Jackson, Keating, Cameron, Hill-Smith, AA-Omniscience: Evaluating Cross-Domain Knowledge Reliability in Large Language Models
• The Next Web, Artificial Analysis에서 Gemini 4 Argon과 GPT-6 Astra의 환각률 비교 보도, 2026년 10월 2일
• Stanford HAI, 2026 AI Index Report — 3장: Responsible AI 및 3장 PDF