Η ΤΝ παραπέμπει συχνά σε ιστοσελίδες που δεν έχει καν διαβάσει

Μερικές φορές, μέσα στη ροή της καθημερινής βιβλιογραφίας, εμφανίζεται μια μελέτη που με εξοργίζει πραγματικά — όχι επειδή είναι ανακριβής ή προσβλητική, αλλά επειδή παρατηρεί και μελετά κάτι που με ενοχλούσε για καιρό, στο περιθώριο της αντίληψής μου, με αόριστο και ακαθόριστο τρόπο (ίσως επειδή ήμουν πολύ απασχολημένος για να κάνω οτιδήποτε άλλο πέρα από το να το αγνοώ).

Μια τέτοια μελέτη δημοσιεύτηκε σήμερα από τρεις συγγραφείς του Τμήματος Πληροφορικής του Imperial College London. Με τίτλο Ανακτήθηκαν, αλλά δεν διαβάστηκαν: Κατανοώντας γιατί τα LLM με ενισχυμένη αναζήτηση δεν αξιοποιούν τα διαθέσιμα τεκμήρια, η νέα έρευνα διερευνά γιατί τα Μεγάλα Γλωσσικά Μοντέλα (ΜΓΜ) σάς παραθέτουν συχνά διευθύνσεις URL ως τεκμήρια (άσχετες παραπομπές σε μελέτες, σύνδεσμοι προς ανυπόστατα διαδικτυακά άρθρα κ.λπ.) χωρίς καν να τα διαβάζουν.

Οι συγγραφείς αναφέρουν:

«Διαπιστώνουμε ότι τα μοντέλα συχνά απαντούν με βάση αποσπάσματα από τα αποτελέσματα αναζήτησης, χωρίς να ανοίγουν τις σελίδες των πηγών, κάτι που συνδέεται με υψηλότερα ποσοστά παρωχημένων απαντήσεων και ανακριβών παραπομπών. Τα ελεγχόμενα πειράματά μας και η ανάλυση ανά επίπεδο αποκαλύπτουν ένα χάσμα ανάμεσα στη διαθεσιμότητα των τεκμηρίων και στην αποτελεσματική αξιοποίησή τους.

«Ακόμη κι όταν τα ανακτημένα τεκμήρια επηρεάζουν τις εσωτερικές προβλέψεις τους, τα μοντέλα ενδέχεται και πάλι να προτιμούν παρωχημένες πληροφορίες στις τελικές απαντήσεις τους.»

Οι συγγραφείς δοκίμασαν ένα ιδιόκτητο LLM (το GPT-5.6 Luna της OpenAI) και έξι διαμορφώσεις μοντέλων ανοιχτών βαρών, με βάση εκατοντάδες γεγονότα που είχαν αλλάξει μετά τα όρια αποκοπής των δεδομένων εκπαίδευσης των μοντέλων.

Στη συνέχεια, εξέτασαν πόσο συχνά τα συστήματα βασίζονταν σε αποσπάσματα από τα αποτελέσματα αναζήτησης αντί να ανοίγουν τις σελίδες των πηγών, πώς αυτό επηρέαζε την ακρίβεια των απαντήσεων και των παραπομπών τους, καθώς και γιατί μερικές φορές επικρατούσαν οι παρωχημένες πληροφορίες ακόμη κι όταν τους δίνονταν απευθείας νεότερα τεκμήρια.

Οι δοκιμές έδειξαν ότι τα μοντέλα απαντούσαν συχνά σε ερωτήσεις χωρίς να ανοίγουν καμία από τις σελίδες που επέστρεφαν οι διαδικτυακές αναζητήσεις και ότι αυτή η συμπεριφορά συνδεόταν με σημαντικά υψηλότερα ποσοστά παρωχημένων απαντήσεων και παραπλανητικών παραπομπών:

Αποτελέσματα δοκιμών που δείχνουν πόσο συχνά τα μοντέλα ΤΝ παραπέμπουν σε διαδικτυακές πηγές χωρίς να τις διαβάζουν πραγματικά. Σε οκτώ διαμορφώσεις, οι ερευνητές μέτρησαν την ακρίβεια των απαντήσεων, την εξάρτηση από αποσπάσματα αναζήτησης χωρίς να ανοίγουν τις σελίδες των πηγών και τις παραπομπές που έρχονταν σε αντίθεση με τους ισχυρισμούς των μοντέλων. Σε ορισμένες περιπτώσεις, πάνω από τις μισές αναζητήσεις ολοκληρώθηκαν χωρίς να ανοίξει ούτε μία σελίδα. Όλα τα στοιχεία είναι ποσοστά· η πρώτη σειρά αφορά ζωντανή διαδικτυακή αναζήτηση, ενώ οι υπόλοιπες χρησιμοποιούν τυποποιημένα αποτελέσματα αναζήτησης. Πηγή

Οι ερευνητές διαπίστωσαν επίσης ότι η άμεση παροχή των σωστών τεκμηρίων μπορούσε να περιορίσει σημαντικά αυτές τις αστοχίες, αν και ορισμένα μοντέλα εξακολουθούσαν να προτιμούν τις παρωχημένες πληροφορίες ακόμη κι όταν τα νεότερα γεγονότα βρίσκονταν ακριβώς μπροστά τους.

Κρυφά κίνητρα;

Οι δύο πιο προφανείς λόγοι για τους οποίους τα LLM μάς κατακλύζουν συχνά με υποστηρικτικά έγγραφα που «ακούγονται σωστά» αλλά δεν είναι συναφή είναι οι εξής: α) εξοικονομείται κόστος, καθώς απαιτούνται εύρος ζώνης και χρόνος για τη λήψη και την ανάγνωση ακόμη και μιας σύνοψης του πρωτογενούς υλικού, το οποίο μπορεί μάλιστα να μην είναι καν διαθέσιμο· και β) μειώνεται η καθυστέρηση, σαν να είναι προτιμότερο να σας δοθεί γρήγορα μια λανθασμένη ή εν μέρει λανθασμένη απάντηση από το να καθυστερήσει λίγο μια καλύτερη.

Ωστόσο, οι συγγραφείς της νέας μελέτης ενδιαφέρονται περισσότερο να εξακριβώσουν τους βασικούς μηχανισμούς πίσω από αυτή την υποβάθμιση της ποιότητας παρά να διερευνήσουν πώς μπορεί να σχεδιάστηκε ή να προδιαγράφηκε εξαρχής.

Όπως ήταν αναμενόμενο, οι συζητήσεις που έχω κάνει μέχρι σήμερα με μοντέλα αιχμής για τις οικονομίες κλίμακας των LLM με έχουν οδηγήσει σε αυτό που μπορώ μόνο να υποθέσω ότι είναι μια προκαθορισμένη αμυντική απάντηση.

Από οικονομική άποψη, η χειραγώγηση της συμπεριφοράς των LLM ως προς τις παραπομπές με αυτόν τον τρόπο βγάζει νόημα, τουλάχιστον για μένα· ωστόσο, οι ίδιες οι τεχνολογίες παραμένουν τόσο ανεξερεύνητες, βρίσκονται σε τόσο μεγάλη ρευστότητα και παράγουν τόσο συχνά απρόβλεπτα αποτελέσματα, ώστε προς το παρόν είναι δύσκολο να αποδειχθούν τέτοια κίνητρα.

Μεθοδολογία

Για να ελέγξουν πόσο καλά αξιοποιούν πραγματικά τα μοντέλα τα διαδικτυακά τεκμήρια, οι ερευνητές συγκέντρωσαν 225 γεγονότα που είχαν αλλάξει μετά τις 16 Φεβρουαρίου 2026 — την πιο πρόσφατη αναφερόμενη ημερομηνία αποκοπής των δεδομένων εκπαίδευσης μεταξύ των μοντέλων που δοκιμάστηκαν.

Τα γεγονότα προέρχονταν από πληροφορίες του FDA για φάρμακα (62 γεγονότα), οικονομικά (52), αθλητισμό (47), πρόσωπα (43), καταχωρίσεις στην SEC (13) και χημικές ταξινομήσεις (8). Εξαιρέθηκαν οι αλλαγές που είχαν ήδη τεθεί σε ισχύ έως την ημερομηνία αποκοπής ή είχαν ανακοινωθεί πριν από την 1η Φεβρουαρίου, καθώς και οι ιατρικοί ισχυρισμοί στους οποίους μπορούσε να δοθεί απάντηση βάσει γενικών γνώσεων. Χρησιμοποιήθηκαν επίσης ως στοιχεία ελέγχου γεγονότα που δεν είχαν αλλάξει, ώστε οι ερευνητές να μπορούν να διακρίνουν τις αστοχίες που αφορούσαν νέες πληροφορίες από τα γενικότερα σφάλματα.

Για να καθοριστεί μια βάση σύγκρισης, το GPT-5.6 Luna δοκιμάστηκε χωρίς πρόσβαση στην αναζήτηση στον ιστό και απάντησε σωστά μόλις στο 23,3% των 103 ερωτήσεων σχετικά με τα γεγονότα που είχαν αλλάξει.

Ένα μη προσδιορισμένο μοντέλο τεχνητής νοημοσύνης χρησιμοποιήθηκε για να μετατρέψει σε επιμέρους ελέγξιμες πραγματολογικές δηλώσεις τις διατάξεις επισήμανσης του FDA στο προαναφερθέν σύνολο δεδομένων. Στη συνέχεια, καθεμία από αυτές εξετάστηκε χειροκίνητα*.

Οι διαμορφώσεις μοντέλων ανοιχτών βαρών που δοκιμάστηκαν ήταν το GLM-5.3-Flash της Z.ai· τα gpt-oss-120b και gpt-oss-20b της OpenAI· το gemma-4-31b της Google DeepMind, το οποίο δοκιμάστηκε τόσο με όσο και χωρίς συλλογισμό· και το qwen3-8b της Qwen.

Στα μοντέλα ανοιχτών βαρών και στο GPT-5.6 Luna δόθηκαν τα ίδια αποτελέσματα αναζήτησης στον ιστό, ώστε να είναι δυνατή η δίκαιη σύγκριση των απαντήσεών τους. Το Luna δοκιμάστηκε επίσης ξεχωριστά, με τη δική του ενσωματωμένη αναζήτηση στον ιστό.

Για 223 από τα 225 γεγονότα, συγκεντρώθηκαν εκ των προτέρων δέκα αποτελέσματα αναζήτησης με τη χρήση του Brave Search. Κάθε μοντέλο έλαβε τα ίδια αποτελέσματα και μπορούσε να ανοίγει σελίδες ή να πραγματοποιεί αναζητήσεις στο εσωτερικό τους, χρησιμοποιώντας πανομοιότυπα εργαλεία.

Η σελίδα που περιείχε τη «σωστή» απάντηση ήταν πάντοτε διαθέσιμη: αν εμφανιζόταν φυσικά ανάμεσα στα δέκα πρώτα αποτελέσματα, η θέση της παρέμενε αμετάβλητη· διαφορετικά, προστίθετο στα αποτελέσματα σε θέση που είχε καθοριστεί εκ των προτέρων. Έτσι, οι ερευνητές μπορούσαν να εξετάσουν πώς αξιοποιούσαν τα μοντέλα τα διαθέσιμα τεκμήρια υπό συγκρίσιμες συνθήκες.

Για να γίνουν οι δοκιμές πιο συνεπείς, η παράμετρος θερμοκρασίας ορίστηκε στο μηδέν για τα μοντέλα που υποστήριζαν αυτή τη ρύθμιση, ενώ σε όλη τη διάρκεια των πειραμάτων κάθε μοντέλο χρησιμοποιήθηκε μέσω του ίδιου παρόχου.

Πώς διατυπώθηκαν οι προτροπές

Από τις δύο προτροπές που χρησιμοποιήθηκαν για τον έλεγχο των γεγονότων, η πρώτη ήταν μια ανοιχτή ερώτηση, όπως η «Σε ποια ομάδα αγωνίζεται ο Bernardo Silva;», είτε με αίτημα για πηγή είτε χωρίς αυτό· η δεύτερη ζητούσε από το μοντέλο να επαληθεύσει μια δήλωση που περιείχε είτε τις τρέχουσες είτε τις παρωχημένες πληροφορίες, ώστε οι ερευνητές να συγκρίνουν τον τρόπο με τον οποίο αντιμετωπιζόταν κάθε εκδοχή.

Στα συγκεντρωτικά αποτελέσματα χρησιμοποιήθηκαν τέσσερις επιπλέον τύποι προτροπών: ανοιχτές ερωτήσεις με υποδείξεις· αιτήματα για παραθέματα· αιτήματα για παραπομπή που να τεκμηριώνει έναν ισχυρισμό που δόθηκε· και έλεγχοι δελτίων γεγονότων, κατά τους οποίους το μοντέλο έπρεπε να εντοπίσει μία παρωχημένη δήλωση ανάμεσα σε αρκετές σωστές.

Παραδείγματα των πραγματικών προτροπών που χρησιμοποιήθηκαν για τη δοκιμή των μοντέλων, με βάση ερωτήσεις και ισχυρισμούς για τον ποδοσφαιριστή Bernardo Silva. Ο πίνακας δείχνει πώς παρουσιάστηκε το ίδιο πραγματολογικό ζήτημα με διαφορετικά αιτήματα για απαντήσεις, επαλήθευση, παραθέματα και παραπομπές. Όλες οι προτροπές ξεκινούσαν με την ημερομηνία 8 Αυγούστου 2026 και οι περισσότερες απαιτούσαν τυποποιημένη τελική απάντηση, όπως οριζόταν στις οδηγίες με γράμματα κάτω από τον πίνακα.

Κάθε προτροπή όριζε μια ημερομηνία, ενώ οι περισσότερες απαιτούσαν απαντήσεις σε συγκεκριμένη μορφή, η οποία επέτρεπε την απάντηση «ΔΕΝ ΜΠΟΡΕΙ ΝΑ ΕΠΑΛΗΘΕΥΤΕΙ», ώστε τα αποτελέσματα να μπορούν να βαθμολογηθούν χωρίς να χρειάζεται ανθρώπινη αξιολόγηση ή αξιολόγηση από μοντέλο μεγάλου γλωσσικού μοντέλου.

Οι μετρικές που χρησιμοποιήθηκαν ήταν το βάθος ανάγνωσης (αν ανοίχτηκαν και παρατέθηκαν ως παραπομπές οι πηγαίες σελίδες)· η ακρίβεια απαντήσεων (ποσοστό σωστών απαντήσεων, χωρίς να υπολογίζονται οι αποχές)· και η πιστότητα των παραπομπών (αν οι σελίδες που παρατέθηκαν ως παραπομπές αντέφασκαν στους ισχυρισμούς του μοντέλου).

Η βαθμολόγηση γινόταν αυτοματοποιημένα όπου ήταν δυνατόν, ενώ σε ένα μη προσδιορισμένο μοντέλο μεγάλου γλωσσικού μοντέλου επιτρεπόταν να εγκρίνει παραπομπές μόνο όταν αυτές τεκμηριώνονταν από ακριβές απόσπασμα της αρχειοθετημένης σελίδας· οι αρνητικές κρίσεις που απαιτούσαν ερμηνεία ανατέθηκαν σε ανθρώπους αξιολογητές· και τα αμετάβλητα γεγονότα ελέγχου χρησιμοποιήθηκαν για να καθοριστεί το αρχικό ποσοστό σφάλματος παραπομπών κάθε μοντέλου.

Αποτελέσματα

Στις αρχικές δοκιμές (όπως παρουσιάζεται στην αρχή αυτού του άρθρου), η πρόσβαση στην αναζήτηση στον ιστό βελτίωσε την ικανότητα των μοντέλων να απαντούν σωστά στις ερωτήσεις. Κατά τον έλεγχο της ακρίβειας πραγματολογικών δηλώσεων, οι βαθμολογίες τους αυξήθηκαν κατά 27–42 ποσοστιαίες μονάδες. Όταν απαντούσαν απευθείας σε ερωτήσεις, έδιναν σωστές απαντήσεις στο 85,8–95,4% των περιπτώσεων.

Ωστόσο, πολλές απαντήσεις δόθηκαν χωρίς τα μοντέλα να επισκεφθούν πράγματι τους ιστότοπους που επέστρεφαν οι αναζητήσεις τους. Αντί γι’ αυτό, βασίζονταν στα σύντομα αποσπάσματα κειμένου που εμφανίζονταν δίπλα στα αποτελέσματα αναζήτησης. Ακόμη και όταν τους δίνονταν τα ίδια αποτελέσματα αναζήτησης, το ποσοστό των αναζητήσεων κατά τις οποίες δεν ανοιγόταν καμία σελίδα κυμαινόταν από 2,6% έως 76%, ανάλογα με το μοντέλο.

Σε αυτό το πλαίσιο, το GPT-5.6 Luna είχε μια ιδιαίτερα χαμηλών απαιτήσεων επίδοση:

«Με τα ίδια αποτελέσματα αναζήτησης, τα μοντέλα απαντούν στο 2,6–76,0% των περιπτώσεων χωρίς να ανοίξουν καμία σελίδα. Με τη δική του ενσωματωμένη αναζήτηση, το Luna απαντά στο 53,6% των περιπτώσεων μόνο από αποσπάσματα.»

Αποτελέσματα δοκιμών που συγκρίνουν τις παρωχημένες απαντήσεις και τις παραπλανητικές παραπομπές ανάλογα με το πόσο διεξοδικά εξέτασαν τα μοντέλα τα αποτελέσματα αναζήτησης. «Απόσπασμα» σημαίνει ότι δεν ανοίχτηκε καμία ιστοσελίδα· «Ανοιγμένη» σημαίνει ότι ανοίχτηκε μια σελίδα, αλλά δεν παρατέθηκε· «Ενσωμ». σημαίνει ότι παρατέθηκε μια σελίδα που είχε ανοιχτεί. Όλα τα στοιχεία είναι ποσοστά, συγκεντρωτικά για επτά διαμορφώσεις μοντέλων και όλους τους τύπους προτροπών. Τα σφάλματα ήταν γενικά συχνότερα όταν τα μοντέλα βασίζονταν αποκλειστικά σε αποσπάσματα από τα αποτελέσματα αναζήτησης.

Σε επτά διαμορφώσεις μοντέλων, το 6,4% των απαντήσεων που βασίστηκαν μόνο σε αποσπάσματα ήταν παρωχημένες, έναντι 1,3% όταν παρατίθεντο σελίδες που είχαν ανοιχτεί. Οι παραπλανητικές παραπομπές ήταν επίσης συχνότερες, σε ποσοστό 6,4% έναντι 2,3%, όπως φαίνεται παραπάνω. Στις ερωτήσεις για αθλητικά θέματα, οι παρωχημένες απαντήσεις από μοντέλα ανοιχτών βαρών έφτασαν το 20,2%, έναντι 2,1%. Όταν οι απαντήσεις ήταν παρωχημένες, το 81,8% των παραπομπών που τις υποστήριζαν τις αντέκρουαν, σε σύγκριση με μόλις 0,9% για τις ενημερωμένες απαντήσεις. Παρόμοια μοτίβα εμφανίστηκαν στις δοκιμές με δελτία δεδομένων.

Ουσιαστικά, αυτό σημαίνει ότι τα μοντέλα τεχνητής νοημοσύνης που μελετήθηκαν είναι πιθανότερο να δώσουν λανθασμένες απαντήσεις όταν βασίζονται στις σύντομες περιγραφές που εμφανίζονται στα αποτελέσματα αναζήτησης αντί να διαβάσουν τις ίδιες τις ιστοσελίδες. Ακόμη χειρότερα, μερικές φορές παραπέμπουν σε σελίδες που αποδεικνύουν ότι οι απαντήσεις τους είναι λανθασμένες.

Κοινή αποτυχία

Εκτός αν τα δείγματα που χρησιμοποιήθηκαν σε αυτές τις δοκιμές αποτελούν «συλλογικές εξαιρέσεις», είναι εύλογο να υποθέσουμε ότι το ίδιο πρόβλημα επηρεάζει και άλλα μοντέλα, είτε κλειστού κώδικα είτε ανοιχτού κώδικα. Μάλιστα, επτά από τους εννέα τύπους αποτυχίας που παρατηρήθηκαν στις ζωντανές αναζητήσεις στον ιστό του GPT-5.6 Luna συνδέονταν σημαντικά με αποτυχίες άλλων μοντέλων που δοκιμάστηκαν με τα ίδια σταθερά αποτελέσματα αναζήτησης, γεγονός που υποδηλώνει ότι τα προβλήματα δεν περιορίζονταν στο Luna.

Η απευθείας παροχή της σωστής σελίδας της Wikipedia μείωσε τις παρωχημένες απαντήσεις: οι αποτυχίες έπεσαν από 14 σε μηδέν για το gemma-4-31b, από 11 σε μία για το gpt-oss-20b και από 16 σε οκτώ για το qwen3-8b. Η επανάληψη της αρχικής ερώτησης μετά από κάθε σελίδα που άνοιγε το μοντέλο διόρθωσε επίσης το 26,1% των ελέγχων με δελτία δεδομένων στους οποίους είχε προηγουμένως αποτύχει.

Αποτελέσματα που δείχνουν πόσο συχνά τα gemma-4-31b, gpt-oss-20b και qwen3-8b αποδέχτηκαν παρωχημένους ισχυρισμούς υπό διαφορετικές συνθήκες. Τα ίδια στοιχεία είτε αποκρύφτηκαν είτε δόθηκαν απευθείας στην προτροπή είτε ήταν διαθέσιμα μέσω των αποτελεσμάτων αναζήτησης, ενώ σε ξεχωριστές δοκιμές ζητήθηκαν πηγές που να τεκμηριώνουν τις απαντήσεις. Η απευθείας παροχή της σωστής σελίδας ήταν σαφώς αποτελεσματικότερη από το να ζητηθεί από τα μοντέλα να τη βρουν μόνα τους. Τα στοιχεία δείχνουν τις αποτυχίες ως προς το σύνολο των δοκιμών.

Κανόνες των συλλόγων

Τέλος, για να κατανοήσουν καλύτερα γιατί η τεχνητή νοημοσύνη αγνοεί μερικές φορές τις σωστές πληροφορίες, οι ερευνητές δοκίμασαν τρία μοντέλα ανοιχτών βαρών με ποδοσφαιριστές που είχαν αλλάξει σύλλογο: τα gpt-oss-20b, gemma-4-31b και qwen3-8b.

Σε καθένα δόθηκαν παρωχημένες πληροφορίες σχετικά με τον σύλλογο ενός παίκτη, μερικές φορές μαζί με τη σωστή σελίδα της Wikipedia, και εξετάστηκε ποια απάντηση προτιμούσε κατά την επεξεργασία.

Τα αποτελέσματα έδειξαν ότι τα μοντέλα μπορούσαν να αναγνωρίσουν τον σωστό σύλλογο, αλλά παρ’ όλα αυτά να δώσουν λανθασμένη απάντηση:

Αποτελέσματα δοκιμών που δείχνουν πώς το qwen3-8b στάθμιζε τους σωστούς και τους παρωχημένους ποδοσφαιρικούς συλλόγους καθώς διαμόρφωνε μια απάντηση. Το αριστερό γράφημα δείχνει τις επιτυχημένες απαντήσεις, στις οποίες ο σωστός σύλλογος διατηρούσε το προβάδισμα· το δεξί δείχνει τις αποτυχίες, στις οποίες ο παρωχημένος σύλλογος ξεπέρασε τον σωστό στα τελικά στάδια της επεξεργασίας. Οι σκιασμένες περιοχές δείχνουν τη διακύμανση μεταξύ των δοκιμών.

Στο qwen3-8b, ο σωστός σύλλογος περνούσε μερικές φορές εσωτερικά μπροστά, προτού ο παρωχημένος σύλλογος τον ξεπεράσει λίγο πριν δοθεί η απάντηση (βλ. παραπάνω). Παρόμοιο μοτίβο εμφανίστηκε στο gpt-oss-20b, ενώ το gemma-4-31b γενικά προτιμούσε τον «παρωχημένο» σύλλογο σε όλη τη διάρκεια της επεξεργασίας.

Επομένως, φαίνεται ότι ακόμη και όταν τα σωστά στοιχεία είναι διαθέσιμα και αναγνωρίζονται, μπορεί και πάλι να επικρατήσουν οι παρωχημένες πληροφορίες στην τελική απάντηση.

Συμπερασματικά, οι συγγραφείς υποστηρίζουν ότι τα μοντέλα πρέπει να αξιοποιούν καλύτερα τις ιστοσελίδες που ανακτούν, αντί να βασίζονται στα αποσπάσματα των αποτελεσμάτων αναζήτησης. Ελπίζουν επίσης να ανακαλύψουν γιατί τα μοντέλα προσκολλώνται μερικές φορές σε ξεπερασμένες πληροφορίες, παρότι διαθέτουν τη σωστή απάντηση, καθώς και αν αλλαγές στον τρόπο με τον οποίο τα μοντέλα επεξεργάζονται τις πληροφορίες θα μπορούσαν να βοηθήσουν. Ωστόσο, δεν προτείνεται κάποια οριστική λύση.

Συμπέρασμα

Παρότι προσφέρει ορισμένες πολύτιμες πληροφορίες, η νέα μελέτη δεν εξηγεί γιατί τα LLM χρησιμοποιούν τόσο επιπόλαια τις παραπομπές και τις αναφορές. Ως καταναλωτής και ως κάποιος που αναλύει εύλογα τα μοτίβα που παρατηρώ, έχω την εντύπωση ότι τα LLM που χρησιμοποιώ προτείνουν μελέτες ή URL επειδή τις προτείνουν άλλοι… ιστότοποι που προτείνονται…; Από πού προέρχεται, λοιπόν, στην πραγματικότητα η αίσθηση αυθεντίας;

Στην πραγματικότητα, αυτό δεν ήταν ένα πρόβλημα που καταφέραμε να επιλύσουμε ούτε στον προ της τεχνητής νοημοσύνης κόσμο, οπότε ίσως δεν προκαλεί έκπληξη αν τελικά αποδειχθεί ότι τα LLM δεν εξοικονομούν ούτε χρήματα ούτε χρόνο απόκρισης, αλλά απλώς αναπαράγουν τις ίδιες κινεζικές φήμες που έχουμε πείσει τους εαυτούς μας ότι είναι «αλήθεια».

* Η μελέτη δεν αναφέρει ποιοι διενήργησαν αυτές τις αξιολογήσεις.

Πρώτη δημοσίευση: Παρασκευή, 16 Οκτωβρίου 2026