有證據支持到嘅判斷

呢個判斷唔代表未來或私人測試環境一定唔會有 Spud 相關模型。只係以現有引用資料計，未足以將 GPT-5.5 Spud 當成 OpenAI 官方模型，更唔足以宣稱邊個幻覺控制贏咗。

Claude Opus 4.7 嘅證據講到邊度？

Anthropic 最硬淨嘅證據係產品同開發者文件，而唔係跨公司幻覺排行榜。Anthropic 公告寫明開發者可透過 Claude API 使用 claude-opus-4-7 ；文件亦指 Claude Opus 4.7 引入 task budgets，即任務預算控制 。

不過，task budgets 係產品控制功能，唔等於一個公開、校準過嘅「不確定性」基準。換句話講，它可以影響模型做任務時用幾多資源，但單靠呢點，未能證明模型喺事實唔夠把握時會幾準確咁承認「我唔知」。

同「誠實」較直接相關嘅，是 Mashable 引述 Anthropic 的 Opus 4.7 system card 報道：Claude Opus 4.7 的 MASK 誠實率為 91.7%，而且比之前 Anthropic 模型同其他 frontier AI 模型較少出現幻覺或迎合用戶的情況 。呢點對評估誠實性有參考價值，但仍然答唔到 Claude 對 Spud 邊個較好，因為它唔係對一個已核實 GPT-5.5 Spud 模型做同場同分制比較。

OpenAI 來源實際上核實咗乜？

今次提供嘅 OpenAI 官方材料，核實到 GPT-5、GPT-5 mini、GPT-5.2-Codex 同 GPT-5.4 prompt guidance 等 GPT-5 系列相關資料 。至於 Spud，喺呢組來源入面主要來自 Reddit 帖文同 OpenAI Developer Community 嘅功能建議帖 。

社群帖可以係早期風聲或用戶需求嘅線索，但唔等同官方模型頁、模型卡、API 識別碼或正式發布公告。對開發者、採購者或者做 PoC 嘅團隊嚟講，呢個分別好重要：未核實名稱唔應該直接放入模型比較表。

OpenAI 關於幻覺嘅說明，反而對「點樣設計評測」更有用。OpenAI 指出，常見訓練同評估程序會獎勵模型猜答案，而唔係獎勵它承認不確定；OpenAI 亦話，模型應該表明不確定或要求澄清，而唔係自信咁提供錯誤資訊 。

OpenAI 的 SimpleQA 例子亦顯示，單睇準確率可以好誤導。該例子列出 gpt-5-thinking-mini 為 52% 棄答、22% 準確、26% 錯誤；o4-mini 則為 1% 棄答、24% 準確、75% 錯誤 。前者答少啲，但喺呢個例子入面錯少好多 。如果係高風險或需要可信輸出的產品，呢種「識得唔亂答」嘅取捨，往往比每題都答得好有信心更重要。

真正要比嘅，係校準不確定性

AI 幻覺，簡單講就係模型講到似層層，但內容其實錯、無根據，或者超出證據。要控制幻覺，唔係叫模型乜都拒答。好用嘅模型應該做到三件事：證據夠就答；題目唔清楚就追問；答案無法支持就棄答。呢個就係「校準不確定性」嘅實際意思。

研究方向亦支持呢個框架，但要留意限制。一項 2024 年研究報告指，基於不確定性嘅棄答可以改善問答場景入面嘅正確性、幻覺同安全表現 。I-CALM 將 epistemic abstention，即知識性棄答，界定為針對有可驗證答案嘅事實問題而棄答，並指出現有 LLM 仍然會喺應該棄答時未能棄答 。行為校準強化學習方面嘅研究，亦探討點樣鼓勵模型喺不確定時承認唔知道並棄答 。

更廣泛嘅綜述則將不確定性量化視為幻覺偵測工具，並形容校準不確定性有助用戶判斷幾時應該信任、轉交人手處理，或者再驗證模型答案 。關鍵係「校準」兩個字：一個成日話唔知嘅模型可能安全但唔實用；一個永遠唔棄答嘅模型可能好似幫到手，但風險更高。

如果真係要公平比較 Claude 同 OpenAI 模型，應該點做？

1. 用官方模型 ID。 Claude 方面可測 claude-opus-4-7；OpenAI 方面應用有文件支持嘅模型，例如 GPT-5 或 GPT-5 mini，而唔係未核實嘅 Spud 標籤 。
2. 題庫要混合。 唔好只放有明確答案嘅題目；應包括可回答問題、資料不足問題、題意含糊問題同不可回答問題。棄答研究正正關心模型喺高不確定或無法安全回答時，是否懂得拒絕亂答 。
3. 棄答要獨立計分。 同時計正確答案、錯誤答案、正確棄答、錯誤棄答。棄答綜述列出 abstention accuracy、precision、recall 等獨立指標 。
4. 分清事實不確定同安全拒答。 拒絕有害內容，同表示某個事實答案證據不足，係兩種唔同行為；I-CALM 聚焦嘅係有可驗證答案之事實問題上的知識性棄答 。
5. 一齊報準確率、錯誤率同棄答率。 OpenAI 的 SimpleQA 例子顯示，高棄答模型可以有相近準確率，但錯誤率低好多 。
6. 測試環境要一致。 檢索、瀏覽、工具使用、context 長度、system prompt 同提示詞都會影響結果。如果一個模型有額外資料，另一個無，測到嘅就唔止係模型能力，而係整個設定。

FAQ

GPT-5.5 Spud 係咪真係有？

以今次提供嘅證據，未能確認它係 OpenAI 官方模型。官方 OpenAI 來源記錄咗 GPT-5、GPT-5 mini、GPT-5.2-Codex 同 GPT-5.4 prompt guidance；Spud 則見於 Reddit 帖文同社群功能建議討論 。

Claude Opus 4.7 係咪比 GPT-5.5 Spud 少幻覺？

現有來源唔足以嚴謹回答。Claude Opus 4.7 有官方文件支持 ，亦有二手報道提到 91.7% MASK 誠實率 ；但今次無已核實 GPT-5.5 Spud 目標，亦無兩者共用嘅同場 benchmark 。

買家或者開發者應該比較乜？

應該將 Claude Opus 4.7 同有官方文件支持嘅 OpenAI 模型放喺同一套任務、工具、提示詞同評分規則下比較。指標唔應該只睇準確率，而要同時睇錯誤率同棄答行為 。

Bottom line

唔好用現有證據得出「Claude 贏」或者「Spud 贏」嘅幻覺結論。可以支持嘅結論只有三點：Claude Opus 4.7 有官方文件；GPT-5.5 Spud 未在引用到嘅 OpenAI 官方材料中核實；而評估幻覺控制，最應該獎勵嘅係校準不確定性，包括當答案無法支持時能夠正確棄答 。

有證據支持到嘅判斷

呢個判斷唔代表未來或私人測試環境一定唔會有 Spud 相關模型。只係以現有引用資料計，未足以將 GPT-5.5 Spud 當成 OpenAI 官方模型，更唔足以宣稱邊個幻覺控制贏咗。

Claude Opus 4.7 嘅證據講到邊度？

Anthropic 最硬淨嘅證據係產品同開發者文件，而唔係跨公司幻覺排行榜。Anthropic 公告寫明開發者可透過 Claude API 使用 claude-opus-4-7 ；文件亦指 Claude Opus 4.7 引入 task budgets，即任務預算控制 。

不過，task budgets 係產品控制功能，唔等於一個公開、校準過嘅「不確定性」基準。換句話講，它可以影響模型做任務時用幾多資源，但單靠呢點，未能證明模型喺事實唔夠把握時會幾準確咁承認「我唔知」。

同「誠實」較直接相關嘅，是 Mashable 引述 Anthropic 的 Opus 4.7 system card 報道：Claude Opus 4.7 的 MASK 誠實率為 91.7%，而且比之前 Anthropic 模型同其他 frontier AI 模型較少出現幻覺或迎合用戶的情況 。呢點對評估誠實性有參考價值，但仍然答唔到 Claude 對 Spud 邊個較好，因為它唔係對一個已核實 GPT-5.5 Spud 模型做同場同分制比較。

OpenAI 來源實際上核實咗乜？

今次提供嘅 OpenAI 官方材料，核實到 GPT-5、GPT-5 mini、GPT-5.2-Codex 同 GPT-5.4 prompt guidance 等 GPT-5 系列相關資料 。至於 Spud，喺呢組來源入面主要來自 Reddit 帖文同 OpenAI Developer Community 嘅功能建議帖 。

社群帖可以係早期風聲或用戶需求嘅線索，但唔等同官方模型頁、模型卡、API 識別碼或正式發布公告。對開發者、採購者或者做 PoC 嘅團隊嚟講，呢個分別好重要：未核實名稱唔應該直接放入模型比較表。

OpenAI 關於幻覺嘅說明，反而對「點樣設計評測」更有用。OpenAI 指出，常見訓練同評估程序會獎勵模型猜答案，而唔係獎勵它承認不確定；OpenAI 亦話，模型應該表明不確定或要求澄清，而唔係自信咁提供錯誤資訊 。

OpenAI 的 SimpleQA 例子亦顯示，單睇準確率可以好誤導。該例子列出 gpt-5-thinking-mini 為 52% 棄答、22% 準確、26% 錯誤；o4-mini 則為 1% 棄答、24% 準確、75% 錯誤 。前者答少啲，但喺呢個例子入面錯少好多 。如果係高風險或需要可信輸出的產品，呢種「識得唔亂答」嘅取捨，往往比每題都答得好有信心更重要。

真正要比嘅，係校準不確定性

AI 幻覺，簡單講就係模型講到似層層，但內容其實錯、無根據，或者超出證據。要控制幻覺，唔係叫模型乜都拒答。好用嘅模型應該做到三件事：證據夠就答；題目唔清楚就追問；答案無法支持就棄答。呢個就係「校準不確定性」嘅實際意思。

研究方向亦支持呢個框架，但要留意限制。一項 2024 年研究報告指，基於不確定性嘅棄答可以改善問答場景入面嘅正確性、幻覺同安全表現 。I-CALM 將 epistemic abstention，即知識性棄答，界定為針對有可驗證答案嘅事實問題而棄答，並指出現有 LLM 仍然會喺應該棄答時未能棄答 。行為校準強化學習方面嘅研究，亦探討點樣鼓勵模型喺不確定時承認唔知道並棄答 。

更廣泛嘅綜述則將不確定性量化視為幻覺偵測工具，並形容校準不確定性有助用戶判斷幾時應該信任、轉交人手處理，或者再驗證模型答案 。關鍵係「校準」兩個字：一個成日話唔知嘅模型可能安全但唔實用；一個永遠唔棄答嘅模型可能好似幫到手，但風險更高。

如果真係要公平比較 Claude 同 OpenAI 模型，應該點做？

1. 用官方模型 ID。 Claude 方面可測 claude-opus-4-7；OpenAI 方面應用有文件支持嘅模型，例如 GPT-5 或 GPT-5 mini，而唔係未核實嘅 Spud 標籤 。
2. 題庫要混合。 唔好只放有明確答案嘅題目；應包括可回答問題、資料不足問題、題意含糊問題同不可回答問題。棄答研究正正關心模型喺高不確定或無法安全回答時，是否懂得拒絕亂答 。
3. 棄答要獨立計分。 同時計正確答案、錯誤答案、正確棄答、錯誤棄答。棄答綜述列出 abstention accuracy、precision、recall 等獨立指標 。
4. 分清事實不確定同安全拒答。 拒絕有害內容，同表示某個事實答案證據不足，係兩種唔同行為；I-CALM 聚焦嘅係有可驗證答案之事實問題上的知識性棄答 。
5. 一齊報準確率、錯誤率同棄答率。 OpenAI 的 SimpleQA 例子顯示，高棄答模型可以有相近準確率，但錯誤率低好多 。
6. 測試環境要一致。 檢索、瀏覽、工具使用、context 長度、system prompt 同提示詞都會影響結果。如果一個模型有額外資料，另一個無，測到嘅就唔止係模型能力，而係整個設定。

FAQ

GPT-5.5 Spud 係咪真係有？

以今次提供嘅證據，未能確認它係 OpenAI 官方模型。官方 OpenAI 來源記錄咗 GPT-5、GPT-5 mini、GPT-5.2-Codex 同 GPT-5.4 prompt guidance；Spud 則見於 Reddit 帖文同社群功能建議討論 。

Claude Opus 4.7 係咪比 GPT-5.5 Spud 少幻覺？

現有來源唔足以嚴謹回答。Claude Opus 4.7 有官方文件支持 ，亦有二手報道提到 91.7% MASK 誠實率 ；但今次無已核實 GPT-5.5 Spud 目標，亦無兩者共用嘅同場 benchmark 。

買家或者開發者應該比較乜？

應該將 Claude Opus 4.7 同有官方文件支持嘅 OpenAI 模型放喺同一套任務、工具、提示詞同評分規則下比較。指標唔應該只睇準確率，而要同時睇錯誤率同棄答行為 。

Bottom line

唔好用現有證據得出「Claude 贏」或者「Spud 贏」嘅幻覺結論。可以支持嘅結論只有三點：Claude Opus 4.7 有官方文件；GPT-5.5 Spud 未在引用到嘅 OpenAI 官方材料中核實；而評估幻覺控制，最應該獎勵嘅係校準不確定性，包括當答案無法支持時能夠正確棄答 。