减少 AI 幻觉： 让另一系列的模型审查回答。
你得到一个回答。另一系列的模型会审查它：必须引用有误之处并提出修改建议，或者说明没有发现严重问题。随后，写出这个回答的模型给出修正后的最终版本，并列出改动了什么。
打开聊天从 Pro 起，所有付费套餐均包含。
- 已修复的预埋错误
- 49 / 49
- 可验证的问题
- 10 / 10
- 评审更偏好
- 80%
使用方法
请求审查
在聊天中任意一条回复下方，打开 ⋯ 菜单，选择「辩论」。选「深入审查」或「快速审查」，也可以补充一个希望重点检查的地方；费用会在开始前显示。
另一系列的模型审查
审查模型必须逐条引用有误的行或论断，附上依据解释原因，并给出修改建议。如果没有发现严重问题，它会如实说明，并写出自己检查了什么。
原作者修正
写出回答的模型只采纳自己能够验证的意见，写出最终版本，然后列出改动之处，以及未采纳的意见和理由。
我们测量了什么
30 个测试案例，在写下这个功能的第一行代码之前就已完成。
每种方法都从同一个初始回答出发。代码通过运行测试来检验，问题对照程序算出的答案。开放任务由第三个模型系列（OpenAI）的评审来判断，它不知道哪段文字出自哪种方法；每一对都按两种顺序各评审一次。
| 方法 | 已修复的预埋错误 | 新引入的错误 | 可验证的问题 | 评审更偏好 | 每个案例的实际成本 |
|---|---|---|---|---|---|
| 仅回答 | 47 / 49 | 1 | 8 / 10 | — | $0.002–0.003 |
| 同一模型自己重读 | 47 / 49 | 1 | 8 / 10 | 15% | $0.004–0.008 |
| 同一系列的审查者 | 46 / 49 | 0 | 8 / 10 | 60% | $0.011–0.018 |
| 另一系列，深入审查 | 49 / 49 | 0 | 10 / 10 | 80% | $0.008–0.017 |
| 另一系列，快速审查 | 48 / 49 | 0 | 8 / 10 | 70% | $0.003–0.008 |
回答由 DeepSeek V4 Pro 给出；深入审查由 GLM 5.2 完成，快速审查由 GLM 5.3 Flash 完成。评审更偏好：在 10 个开放任务上，相对于仅回答的胜场加上一半平局。成本：服务商为每个案例实际收取的费用。从提问到最终版本的耗时中位数：仅回答 8 秒，快速审查 20 秒，深入审查 78 秒。
哪些情况下没有帮助
同一项研究，不做任何删减地读一遍。
快速审查修正的可验证问题并不比仅回答多：两者都是 10 题答对 8 题。遇到计算题或陷阱题，请选深入审查。
一个本来就独自解决了全部客观案例的高端模型（20 个错误全部修复，4 道题全部答对），接受审查后没有可测量的提升。
深入审查需要时间：中位数 78 秒，95% 的案例在 133 秒以内。
测试规模不大：10 道问题、10 个开放任务，而代码部分仅回答就已经对了 96%。在 4 次平局中，有 3 次在调换顺序后评审改变了判断。
30 个案例中有 10 个，审查者没有发现严重问题，回答保持原样。
在“审阅”模式下，审查者只阅读回答而不上网，因此它从未见过的最新事实仍然无法核实。这正是“事实核查”模式的用途，即便如此，也请自己打开来源看一看。
在应用中的费用
所有付费套餐都可使用。费用会在开始前显示。
使用套餐内模型
计为当天 2 条消息；如果审查者没有发现需要修改之处，则计为 1 条。
使用高端模型
最终版本用积分支付，预估费用和上限会先显示；审查计为 1 条消息。
随时可以停止
只计已经产生的部分：如果在审查过程中停止，就只计这 1 条消息。
两种模式，以及“多方观点”
“辩论”有两种模式，并会替你选择：回答里有事实时，就上网核查这些事实；否则，由第二个 AI 在不上网的情况下重读一遍。在“事实核查”中，应用会提取回答里的论断，上网查找，给每一条打上标签，并在最终版本中附上可点击的来源，绝不编造来源。在“审阅”中，另一系列的模型阅读回答并提出批评，但不上网。当事实类问题的回答里含有可核实的事实（数字、日期），或回答自己说无法确认时，会启动事实核查；代码和观点类问题则走审阅。你也可以自己选择模式。
我们在 20 个无法核实的问题上测量了审阅。改进之前，最终版本在 20 个问题中的 10 个里编造了事实；改进之后是 20 个中的 1 个，并且没有编造任何来源。20 个里有 1 个，不等于没有：所以只要回答里有需要核对的事实，事实核查就会上网；这也是值得你打开来源看看的原因。
“多方观点”是面向有争议话题的高级标签页。两个来自不同系列的模型各自依据自己的网络来源，为一方立场辩护，再由一份综述把两边汇总起来。平均每个话题约 21 个积分，面向订阅用户。与单个模型给出的平衡回答相比，在我们测量的案例中，评审有 83% 到 90% 的情况更偏好“多方观点”（先是 6 个话题，后来是 15 个）；在 4 个事实已有定论的陷阱题里，4 个都被表述为已有定论。
为什么要用另一系列的模型
模型重读自己的回答，不会多改正任何东西：我们测过。错误依旧，缺陷依旧，评审只在 15% 的开放任务中更偏好重读后的版本。第一次漏掉的东西，模型往往第二次还会漏，原因多半是训练方式留下的盲区，而不是读得太急。换句话说，让同一个模型审查自己，等于把同一双眼睛再用一遍；想要真正不同的视角，就得换一个训练背景不同的模型来读。
同一系列的审查者也没有更好，有时更差。让 DeepSeek 审查者去审 DeepSeek 的回答，它提出的意见更多，误报也更多，修正后的代码只修复了 49 个预埋错误中的 46 个，而仅回答是 47 个。它还漏掉了一道被反转的谜题，回答恰恰栽在这里：同一系列的模型共享盲区。
另一系列的审查者发现了这道谜题，重新数出了回答数错的一道计数题（回答写成 155，应为 153），还找到了代码里最后两个错误。因此应用从不让模型审查自己所在的系列：审查者由我们的服务器选定，浏览器只会发送你选择的审查深度。也就是说，由哪个系列来审查，不取决于浏览器发来的内容。
必须拿出依据的审查者
什么都通过的审查者毫无用处，为了显得认真而编造问题的审查者更糟。所以审查者要遵守严格的规则：引用确切的行或论断，用依据（反例、计算、违反的要求）说明为什么有误，给出修改建议，不评论文风。如果认真核对后没有发现严重问题，它会如实写明，并说明自己核对了什么。
在研究中，另一系列的审查者每次审查大约提出两条意见。在代码上，点名了某个函数的 19 条意见中，有 17 条指向真实的预埋错误，也就是说，它的意见大多能落到具体的位置上，而不是泛泛而谈。在三分之一的案例里，它表示没有严重问题可报；此时回答保持原样，最后一步也会跳过。
原作者同样不会盲从。它被要求只有验证之后才采纳一条意见，并为每次不采纳说明理由。在 20 个最终版本中，有 15 个至少有一条意见被带着理由搁置。两份清单都会显示在最终版本下方：改动了什么，以及未采纳的意见。
为什么只做一轮
我们还测过更长的往返：两个模型轮流逐点回应，进行两到三轮，最后再综合。它在代码上并不比单次审查更好，多答错了一道题，评审只在一半的开放任务中更偏好它，成本是三倍，耗时是两到三倍。这种方式只做了测量，没有放进应用：应用里目前只有单轮审查。
所以应用只做一轮，并把这一轮做好：一份初稿、一位来自另一系列的审查者、一份修正后的最终版本。当审查者没有发现问题时，往返就此结束，三分之一的测试案例就是这样。对你来说，这意味着流程更短，也更容易看清每一步发生了什么。
核实 AI 回答的办法，用不用这个功能都适用
所谓 AI 幻觉，是指模型把不存在的事实、引文或数字说得像真的一样。它常常出现在模型没有把握、却仍然给出流畅回答的地方：一个日期、一段引文、一次计算。减少 AI 幻觉，靠的不是相信某一个模型，而是让回答再经过一次独立的检查。
经典建议依然有效。要来源，并打开看看。自己重算一遍。先运行代码再信任它，最好配一个覆盖边界情况的测试：空列表、生日前后的日期、不是数字的值。换个问法，看回答是否站得住。再问另一个模型，因为来自不同系列的两个模型，很少犯同样的错。
「辩论」把最后一步自动化，并留下书面记录。出错代价大的场合最有用：即将上线的代码、决策背后的计算、合同摘要、带取舍的方案、重要的邮件。简短的交流或者口味问题，仅回答通常就够了，而且更快。要不要多花这几十秒，取决于这个回答出错会让你付出多大代价。
它不能代替你的判断。在“审阅”模式下审查者不会上网，两个模型都认同的一点也可能是错的。它做的，是把独立的第二次阅读连同理由一起摆在你面前，让你在采用回答之前，能看清哪些地方被改动、哪些意见被搁置，再自己决定要不要相信。
常见问题
它会上网搜索吗？
取决于模式。“事实核查”会上网搜索，并在最终版本中附上可点击的来源；“审阅”不会，由另一系列的第二个模型在不上网的情况下阅读回答。当回答里含有数字、日期等可核实的事实，或回答自己说无法确认时，应用会选择“事实核查”；你也可以自己选择模式。
第二个 AI 真的能让回答更可靠吗？
在我们的盲测中，另一系列的审查者让预埋错误的修复数从 49 个中的 47 个升到 49 个，可验证问题从 10 题答对 8 题升到 10 题，评审在 80% 的开放任务中更偏好修正后的版本，一次也没有选过原回答。同一模型自己重读则没有任何变化。同一系列的审查者也没有带来改善，修复数反而从 47 个降到了 46 个。测试规模不大，而本来就答对了全部客观案例的高端模型没有得到提升：详见上文。
由哪些模型来审查？
深入审查用 GLM 5.2，快速审查用 GLM 5.3 Flash。绝不会用与作者同一系列的模型：如果回答来自 GLM 模型，就由 DeepSeek 模型审查。最终版本由写出回答的模型来写。
要花多长时间？
从提问到最终版本，深入审查的中位数是 78 秒，快速审查是 20 秒，仅回答是 8 秒。等待期间，对话中会显示当前由哪个模型发言，以及审查者推理的开头。
免费版能用吗？
不能。它包含在所有付费套餐中，从每月 $20 的 Pro 起。使用套餐内模型时，一次审查计为当天 2 条消息，没有需要修改之处则计 1 条；使用高端模型时，最终版本用积分支付，费用在开始前显示。
审查本身会出错吗？
会。审查者可能误报，所以原作者只采纳自己能验证的内容，并为每个未采纳的意见说明理由。在“审阅”模式下审查者不会上网，两个模型也可能在同一个错误上达成一致。对重要内容，请阅读改动清单，并自己核对对你要紧的地方。
让下一个回答也被审查一次
在任意回复下方点 ⋯，再选「辩论」。费用会在开始前显示。
打开聊天