一个简单的事实正在动摇 AI 行业最重要的假设之一：更大的模型，不一定更可靠。
本周，一个开发者的个人博客在 HN 上拿到了 371 分，引发了激烈讨论。帖子标题很直接：GPT-5.5 hallucinates 3x more than GLM-5.2（GPT-5.5 的幻觉率是 GLM-5.2 的三倍）。
这不是一个技术参数对比，这是关于 AI 可靠性的一次公开打脸。
研究说了什么
作者的基本方法是：在相同的测试条件下，对 GPT-5.5 和 GLM-5.2 进行幻觉率评测。GLM-5.2 是清华智谱（Zhipu AI）的开源模型，采用标准 Attention 架构，MIT 许可证。
结果：GPT-5.5 的幻觉率是 GLM-5.2 的约三倍。
一个关键背景：GLM-5.2 于大约一周前刚刚发布，而 GPT-5.5 是目前参数量最大、能力最强（按多数 benchmark）的闭源模型。规模更大，却更容易产生幻觉——这和行业长期以来的默认假设直接冲突。
HN 讨论区的真实分歧
这个帖子下的讨论比帖子本身更有价值，因为它暴露了 AI 圈深层的路线分歧。
第一派观点：这是”bitter lesson”的延续。
一位开发者引用了 Rich Sutton 的经典文章《The Bitter Lesson》：
当一个技术或方法刚刚出现时，人们通过简单地应用它、收集更多数据、增加资源，就能获得巨大收益。随着时间推移，这些”轻松收益”开始耗尽，公司必须在工程上投入越来越多，以换取每一个小的增量进步。
这派的结论是：AI 模型现在正处于这个曲线的那个”必须拼命工程化”的阶段。大不等于好，因为 easy scaling 已经结束了。
第二派观点：这个对比本身就不公平。
有人在评论里直接质疑：
作者为什么不用 Llama 3 和 GLM-5.2 比较？它们都是标准 Attention 架构的家庭成员，比较两个架构完全不同的模型，然后指出”它们不一样”，这不是什么惊人的发现。
这条评论拿到了不少赞同。它的核心逻辑是：拿 MoE 架构的 GPT-5.5 和标准 Dense 架构的 GLM-5.2 比幻觉率，就像拿跑车和卡车比油耗——对比维度本身就错了。
第三派观点：LLM 架构的碎片化才是真正的问题。
一位开发者的评论引发了最多共鸣：
看 llama.cpp 项目的进展就能感受到——现在的模型太复杂了。DeepSeekv3.2 没有完全实现，KimiK2.6 没有完全实现，DeepSeekv4 根本没有实现，MiniMaxM3 还不支持，Hy3-preview 也不支持。最新的模型只是勉强能跑，大量高级特性缺失。
这指向了一个被忽视的危机：当模型的架构变得如此多样和复杂，连开源社区都跟不上实现的时候，整个 AI 生态系统的透明度在倒退。
为什么这不只是”谁的模型更准”的问题
AI 幻觉率的讨论通常停留在”准确 vs 不准确”的二元对立。但这次争论暴露了一个更根本的问题：我们用来评估 AI 的指标体系本身可能已经过时了。
几个事实：
- 幻觉率没有统一标准。不同团队用不同的测试集、不同的”幻觉”定义，跨模型比较本身就存在方法论问题。
- 闭源模型的可评估性更差。GPT-5.5 是 OpenAI 的闭源模型，外部研究者无法获取完整的训练数据、架构细节、推理过程，只能靠黑盒测试。GLM-5.2 是开源的，MIT 许可证，架构清晰。
- 规模扩大带来的问题不成比例。如果 GPT-5.5 真的幻觉率是 GLM-5.2 的 3 倍，这意味着 AI 行业需要重新审视”scaling law”的边界。
我的判断
这份研究的方法论是否严谨，需要更多独立验证。但它提出的问题本身是正确的：AI 行业对”更大=更好”的信仰，正在遇到反例。
更深的问题是：当评估体系、模型架构、训练数据都变得越来越不透明的时候，整个行业对”什么是好的 AI”的判断，正在失去共同基础。
这不是某一家公司的问题。这是整个 AI 行业在快速发展中累积的系统性风险。
相关数据：
– GPT-5.5 幻觉率：测试集标准下约为 GLM-5.2 的 3 倍（来源：arrowtsx.dev 评测，2026-06-19）
– GLM-5.2：清华智谱（Zhipu AI）发布，采用标准 Transformer + Dense 架构，MIT 开源协议（2026年6月上旬发布）
– HN 讨论帖：371 points，171 comments（截至2026-06-20）