AI มักอ้างอิงหน้าเว็บที่ไม่เคยอ่านเลย

บางครั้งก็มีงานวิจัยปรากฏขึ้นท่ามกลางกระแสงานวิชาการประจำวัน ที่ทำให้ฉันรู้สึกเดือดดาลขึ้นมาจริง ๆ ไม่ใช่เพราะงานนั้นไม่ถูกต้องหรือชวนให้ขุ่นเคือง แต่เพราะมันหยิบยกและศึกษาประเด็นหนึ่งที่กวนใจฉันอยู่ลึก ๆ มานาน โดยที่ฉันเองก็ไม่ทันรู้ตัวอย่างชัดเจนหรือเจาะจงนัก (อาจเพราะยุ่งเกินกว่าจะทำอะไรนอกจากมองข้ามมันไป)

วันนี้มีงานวิจัยชิ้นหนึ่ง เผยแพร่ออกมา โดยผู้เขียนสามคนจากภาควิชาคอมพิวเตอร์ของ Imperial College London งานชิ้นใหม่นี้มีชื่อว่า ค้นคืนแล้วแต่ไม่ได้อ่าน: ทำความเข้าใจว่าเหตุใดโมเดลภาษาขนาดใหญ่ที่เสริมด้วยการค้นหาจึงใช้หลักฐานที่มีอยู่ไม่ได้ และศึกษาว่าเหตุใดโมเดลภาษาขนาดใหญ่ (โมเดลภาษาขนาดใหญ่) จึงมักโยน URL ที่อ้างว่าเป็นหลักฐานสนับสนุนมาให้คุณ (เช่น การอ้างอิงงานวิจัยที่ไม่เกี่ยวข้อง ลิงก์ไปยังบทความบนเว็บที่ไม่น่าเชื่อถือ เป็นต้น) ทั้งที่ไม่ได้อ่านเนื้อหาเหล่านั้นเลย

ผู้เขียนระบุว่า:

‘เราพบว่าโมเดลมักตอบคำถามโดยอาศัยข้อความสั้น ๆ จากผลการค้นหา โดยไม่ได้เปิดหน้าแหล่งข้อมูล ซึ่งสัมพันธ์กับอัตราการให้คำตอบที่ล้าสมัยและการอ้างอิงที่ไม่ตรงกับเนื้อหาจริงที่สูงขึ้น การทดลองแบบควบคุมและการวิเคราะห์แยกตามชั้นของโมเดลเผยให้เห็นช่องว่างระหว่างการมีหลักฐานอยู่กับการนำหลักฐานนั้นไปใช้ได้อย่างมีประสิทธิภาพ

‘แม้หลักฐานที่ค้นคืนมาจะส่งผลต่อการคาดการณ์ภายใน โมเดลก็อาจยังเลือกใช้ข้อมูลที่ล้าสมัยในคำตอบสุดท้าย’

ผู้เขียนทดสอบโมเดลภาษาขนาดใหญ่แบบปิดหนึ่งโมเดล ( GPT-5.6 Luna ของ OpenAI) และการกำหนดค่าโมเดลแบบเปิดที่มีการเปิดเผยน้ำหนักหกแบบ โดยใช้ข้อเท็จจริงหลายร้อยข้อที่เปลี่ยนแปลงไปหลังจากวันตัดข้อมูลฝึกของโมเดล

จากนั้นผู้เขียนตรวจสอบว่าระบบอาศัยข้อความสั้น ๆ จากผลการค้นหาบ่อยเพียงใด แทนที่จะเปิดหน้าแหล่งข้อมูล ตรวจสอบว่าสิ่งนี้ส่งผลต่อความถูกต้องของคำตอบและการอ้างอิงอย่างไร และศึกษาว่าเหตุใดข้อมูลล้าสมัยจึงยังมีอิทธิพลเหนือกว่าในบางครั้ง แม้จะมีการนำเสนอหลักฐานใหม่โดยตรงแล้วก็ตาม

ผลการทดสอบพบว่าโมเดลมักตอบคำถามโดยไม่เปิดหน้าเว็บใด ๆ ที่ได้จากการค้นหาบนเว็บเลย และพฤติกรรมนี้สัมพันธ์กับอัตราการให้คำตอบที่ล้าสมัยและการอ้างอิงที่ทำให้เข้าใจผิดซึ่งสูงขึ้นอย่างมีนัยสำคัญ:

ผลการทดสอบแสดงให้เห็นว่าโมเดล AI อ้างอิงแหล่งข้อมูลบนเว็บบ่อยเพียงใดทั้งที่ไม่ได้อ่านจริง นักวิจัยวัดความถูกต้องของคำตอบ การพึ่งพาข้อความสั้น ๆ จากผลการค้นหาโดยไม่เปิดหน้าแหล่งข้อมูล และการอ้างอิงที่ขัดแย้งกับคำกล่าวอ้างของโมเดล โดยทดสอบทั้งหมดแปดรูปแบบ ในบางกรณี การค้นหามากกว่าครึ่งสิ้นสุดลงโดยไม่มีการเปิดหน้าเว็บแม้แต่หน้าเดียว ตัวเลขทั้งหมดเป็นเปอร์เซ็นต์ แถวแรกใช้การค้นหาบนเว็บแบบเรียลไทม์ ส่วนแถวอื่น ๆ ใช้ผลการค้นหาที่จัดทำให้เป็นมาตรฐาน แหล่งที่มา

นักวิจัยยังพบด้วยว่า การป้อนหลักฐานที่ถูกต้องให้โดยตรงช่วยลดความล้มเหลวเหล่านี้ได้อย่างมาก แม้โมเดลบางตัวยังคงเลือกใช้ข้อมูลที่ล้าสมัย ทั้งที่มีข้อเท็จจริงใหม่อยู่ตรงหน้าแล้วก็ตาม

แรงจูงใจที่ซ่อนอยู่?

เหตุผลที่เห็นได้ชัดที่สุดสองประการที่ทำให้โมเดลภาษาขนาดใหญ่มักประโคมเอกสารประกอบที่ฟังดู “ถูกต้อง” แต่ไม่ตรงประเด็นมาให้เรานั้น ได้แก่ ก) ช่วยประหยัดค่าใช้จ่าย เพราะการดาวน์โหลดและอ่านแม้แต่บทสรุปจากเนื้อหาต้นฉบับก็ต้องใช้แบนด์วิดท์และเวลา อีกทั้งเนื้อหานั้นอาจไม่มีให้เข้าถึงด้วยซ้ำ และ ข) ช่วยลดเวลาแฝง ราวกับว่าการรีบให้คำตอบที่ผิดหรือถูกเพียงครึ่งเดียว ย่อมดีกว่าการชะลอคำตอบที่ดีกว่าออกไปอีกเล็กน้อย

อย่างไรก็ตาม ผู้เขียนงานชิ้นใหม่นี้สนใจที่จะอธิบายกลไกพื้นฐานที่ทำให้คุณภาพบกพร่อง มากกว่าจะค้นหาว่าปัญหานี้อาจถูกออกแบบหรือคาดการณ์ไว้ตั้งแต่แรกอย่างไร

ไม่น่าแปลกใจที่ประสบการณ์ของฉันจนถึงตอนนี้จากการพูดคุยกับโมเดลแนวหน้าถึงเศรษฐศาสตร์จากการประหยัดต่อขนาดของโมเดลภาษาขนาดใหญ่ ทำให้ฉันได้รับสิ่งที่คงได้แต่สันนิษฐานว่าเป็นการตอบโต้เชิงป้องกันที่ถูกกำหนดไว้ล่วงหน้า

อย่างน้อยในมุมมองของฉัน เศรษฐศาสตร์ของการหาประโยชน์จากพฤติกรรมการอ้างอิงของโมเดลภาษาขนาดใหญ่ในลักษณะนี้ฟังดูสมเหตุสมผล แต่เทคโนโลยีที่เกี่ยวข้องยังไม่เป็นที่เข้าใจอย่างทั่วถึง อยู่ในภาวะเปลี่ยนแปลงตลอดเวลา และมีแนวโน้มที่จะให้ผลลัพธ์ที่คาดเดายาก จึงยากที่จะพิสูจน์แรงจูงใจเช่นนี้ในขณะนี้

วิธีการศึกษา

เพื่อทดสอบว่าโมเดลใช้หลักฐานจากเว็บได้ดีเพียงใด นักวิจัยรวบรวมข้อเท็จจริง 225 ข้อที่เปลี่ยนแปลงไปนับตั้งแต่วันที่ 16 กุมภาพันธ์ 2026 ซึ่งเป็นวันตัดข้อมูลฝึกที่ใกล้ปัจจุบันที่สุดตามรายงานของโมเดลที่นำมาทดสอบ

ข้อเท็จจริงเหล่านี้มาจากข้อมูลยาของ FDA (62 ข้อ); การเงิน (52 ข้อ); กีฬา (47 ข้อ); บุคคล (43 ข้อ); เอกสารที่ยื่นต่อ SEC (13 ข้อ); และการจำแนกประเภทสารเคมี (8 ข้อ) โดยไม่นำการเปลี่ยนแปลงที่มีผลบังคับใช้แล้วก่อนถึงวันตัดข้อมูล หรือที่ประกาศก่อนวันที่ 1 กุมภาพันธ์มารวมด้วย เช่นเดียวกับข้อกล่าวอ้างทางการแพทย์ที่ตอบได้จากความรู้ทั่วไป นอกจากนี้ยังใช้ข้อเท็จจริงที่ไม่เปลี่ยนแปลงเป็นกลุ่มควบคุม เพื่อช่วยให้นักวิจัยแยกความล้มเหลวที่เกี่ยวข้องกับข้อมูลใหม่ออกจากข้อผิดพลาดทั่วไปได้

เพื่อกำหนดค่าพื้นฐาน จึงทดสอบ GPT-5.6 Luna โดยไม่มีสิทธิ์เข้าถึงการค้นหาเว็บ ซึ่งตอบคำถามเกี่ยวกับข้อเท็จจริงที่เปลี่ยนแปลงไป 103 ข้อได้ถูกต้องเพียง 23.3%

มีการใช้โมเดล AI ที่ไม่ระบุชื่อเพื่อเขียนข้อกำหนดบนฉลากยาของ FDA ในชุดข้อมูลที่กล่าวถึงข้างต้นใหม่ ให้เป็นข้อความข้อเท็จจริงที่ทดสอบแยกกันได้ โดยแต่ละข้อความผ่านการตรวจทานด้วยตนเอง* ในภายหลัง

การกำหนดค่าโมเดลแบบเปิดน้ำหนักที่นำมาทดสอบ ได้แก่ GLM-5.3-Flash จาก Z.ai; gpt-oss-120b และ gpt-oss-20b ของ OpenAI; gemma-4-31b ของ Google DeepMind ซึ่งทดสอบทั้งแบบเปิดและปิดใช้การให้เหตุผล; และ qwen3-8b ของ Qwen

โมเดลแบบเปิดน้ำหนักและ GPT-5.6 Luna ได้รับผลการค้นหาเว็บชุดเดียวกัน เพื่อให้สามารถเปรียบเทียบคำตอบได้อย่างเป็นธรรม นอกจากนี้ยังทดสอบ Luna แยกต่างหากโดยใช้การค้นหาเว็บในตัวของโมเดลเอง

สำหรับข้อเท็จจริง 223 ข้อจากทั้งหมด 225 ข้อ มีการรวบรวมผลการค้นหา 10 รายการไว้ล่วงหน้าโดยใช้ Brave Search โมเดลทุกตัวได้รับผลการค้นหาชุดเดียวกัน และสามารถเปิดหน้าเว็บหรือค้นหาภายในหน้าเว็บด้วยเครื่องมือที่เหมือนกัน

หน้าเว็บที่มีคำตอบ “ถูกต้อง” จะพร้อมให้ใช้งานเสมอ หากหน้านั้นปรากฏอยู่ใน 10 ผลการค้นหาแรกตามปกติ ก็จะคงตำแหน่งเดิมไว้ แต่หากไม่ปรากฏ จะเพิ่มหน้านั้นเข้าไปในผลการค้นหาตามตำแหน่งที่กำหนดไว้ล่วงหน้า เพื่อให้นักวิจัยตรวจสอบได้ว่าโมเดลใช้หลักฐานที่มีอยู่อย่างไรภายใต้เงื่อนไขที่เปรียบเทียบกันได้

เพื่อให้การทดสอบมีความสม่ำเสมอมากขึ้น จึงตั้งค่าอุณหภูมิเป็นศูนย์สำหรับโมเดลที่รองรับการตั้งค่านี้ และใช้ผู้ให้บริการรายเดิมทดสอบโมเดลแต่ละตัวตลอดการทดลอง

รูปแบบของพรอมป์ต์

พรอมป์ต์สองแบบที่ใช้ทดสอบข้อเท็จจริง แบบแรกเป็นคำถามปลายเปิด เช่น “Bernardo Silva เล่นให้สโมสรใด?” โดยอาจขอหรือไม่ขอแหล่งที่มาก็ได้ ส่วนแบบที่สองให้โมเดลตรวจสอบข้อความที่มีข้อมูลปัจจุบันหรือล้าสมัย เพื่อให้นักวิจัยเปรียบเทียบได้ว่าโมเดลจัดการกับข้อมูลแต่ละแบบอย่างไร

ในการประเมินผลรวม มีการใช้พรอมป์ต์เพิ่มเติมอีกสี่ประเภท ได้แก่ คำถามปลายเปิดที่มีคำใบ้; คำขอให้ยกข้อความอ้างอิง; คำขอให้อ้างอิงแหล่งข้อมูลที่สนับสนุนข้อกล่าวอ้างที่ให้มา; และ การตรวจสอบเอกสารสรุปข้อเท็จจริง ซึ่งให้โมเดลระบุข้อความที่ล้าสมัยหนึ่งข้อความจากหลายข้อความที่ถูกต้อง

ตัวอย่างพรอมป์ต์จริงที่ใช้ทดสอบโมเดล โดยอิงจากคำถามและข้อกล่าวอ้างเกี่ยวกับ Bernardo Silva นักฟุตบอล ตารางแสดงให้เห็นว่าประเด็นข้อเท็จจริงเดียวกันถูกนำเสนอผ่านคำขอหลายรูปแบบอย่างไร ทั้งการขอคำตอบ การตรวจสอบ การยกข้อความอ้างอิง และการอ้างอิงแหล่งข้อมูล พรอมป์ต์ทั้งหมดเริ่มต้นด้วยวันที่ 8 สิงหาคม 2026 และส่วนใหญ่กำหนดให้ตอบในรูปแบบมาตรฐาน โดยมีคำสั่งกำกับด้วยตัวอักษรอยู่ใต้ตาราง

พรอมป์ต์ทุกข้อระบุวันที่ และส่วนใหญ่กำหนดรูปแบบคำตอบตายตัวที่อนุญาตให้ตอบว่า ‘ตรวจสอบไม่ได้‘ ซึ่งช่วยให้ประเมินผลได้โดยไม่ต้องให้มนุษย์หรือโมเดลภาษาขนาดใหญ่เป็นผู้ตัดสิน

ตัวชี้วัดที่ใช้ ได้แก่ ความลึกในการอ่าน (เปิดและอ้างอิงหน้าเว็บต้นทางหรือไม่); ความถูกต้องของคำตอบ (ร้อยละของคำตอบที่ถูกต้อง โดยไม่นับกรณีงดตอบ); และ ความน่าเชื่อถือของการอ้างอิง (หน้าเว็บที่อ้างอิงมีข้อมูลขัดแย้งกับข้อกล่าวอ้างของโมเดลหรือไม่)

ระบบให้คะแนนโดยอัตโนมัติเท่าที่ทำได้ โดยอนุญาตให้โมเดลภาษาขนาดใหญ่ที่ไม่ระบุชื่อรับรองการอ้างอิงได้เฉพาะเมื่อมีข้อความตรงกันทุกประการในหน้าเว็บที่เก็บถาวร ส่วนการตัดสินเชิงลบที่ต้องอาศัยการตีความมอบหมายให้ผู้ตรวจทานที่เป็นมนุษย์ และใช้ข้อเท็จจริงควบคุมที่ไม่มีการเปลี่ยนแปลงเพื่อกำหนดอัตราความผิดพลาดพื้นฐานในการอ้างอิงของแต่ละโมเดล

ผลการศึกษา

ในการทดสอบเบื้องต้น (ดังที่แสดงไว้ตอนต้นบทความนี้) การเข้าถึงการค้นหาเว็บช่วยให้โมเดลตอบคำถามได้ถูกต้องมากขึ้น เมื่อตรวจสอบว่าข้อความที่ระบุข้อเท็จจริงถูกต้องหรือไม่ คะแนนเพิ่มขึ้น 27–42 จุดเปอร์เซ็นต์ ส่วนการตอบคำถามโดยตรง โมเดลตอบถูกต้อง 85.8–95.4% ของกรณี

อย่างไรก็ตาม คำตอบจำนวนมากเกิดขึ้นโดยที่โมเดลไม่ได้เข้าไปดูเว็บไซต์ที่พบจากการค้นหาจริง แต่กลับอาศัยข้อความสั้น ๆ ที่แสดงอยู่ข้างผลการค้นหา แม้จะได้รับผลการค้นหาชุดเดียวกัน สัดส่วนของการค้นหาที่ไม่มีการเปิดหน้าเว็บก็แตกต่างกันตั้งแต่ 2.6% ถึง 76% แล้วแต่โมเดล

ในบริบทนี้ GPT-5.6 Luna ทำผลงานได้อย่างไม่ทุ่มเทเป็นพิเศษ:

‘เมื่อได้รับผลการค้นหาชุดเดียวกัน โมเดลตอบคำถาม 2.6–76.0% ของกรณีโดยไม่เปิดหน้าเว็บเลย ส่วน Luna ตอบคำถาม 53.6% ของกรณีโดยอาศัยเพียงข้อความสั้น ๆ จากการค้นหา เมื่อใช้ระบบค้นหาของตัวเอง‘

ผลการทดสอบเปรียบเทียบคำตอบที่ล้าสมัยกับการอ้างอิงที่ทำให้เข้าใจผิด โดยพิจารณาจากระดับความละเอียดที่โมเดลตรวจสอบผลการค้นหา ไม่เปิดหน้าเว็บ หมายถึงไม่มีการเปิดหน้าเว็บ ส่วนเปิดแล้วหมายถึงมีการเปิดหน้าเว็บแต่ไม่ได้นำมาอ้างอิง อ้างอิง. หมายถึงมีการเปิดหน้าเว็บและนำมาอ้างอิง ตัวเลขทั้งหมดเป็นเปอร์เซ็นต์ที่รวบรวมจากการตั้งค่าโมเดลทั้งเจ็ดรูปแบบและพรอมป์ต์ทุกประเภท โดยทั่วไปพบข้อผิดพลาดบ่อยกว่าเมื่อโมเดลอาศัยเพียงข้อความตัวอย่างจากผลการค้นหา

ในบรรดาการตั้งค่าโมเดลทั้งเจ็ดรูปแบบ คำตอบที่อาศัยเพียงข้อความตัวอย่างจากผลการค้นหาล้าสมัย 6.4% เทียบกับ 1.3% ในกรณีที่มีการเปิดหน้าเว็บและนำมาอ้างอิง ดังที่แสดงไว้ข้างต้น การอ้างอิงที่ทำให้เข้าใจผิดก็พบได้บ่อยกว่าเช่นกัน โดยอยู่ที่ 6.4% เทียบกับ 2.3% สำหรับคำถามเกี่ยวกับกีฬา คำตอบที่ล้าสมัยจากโมเดลแบบเปิดมีสัดส่วนสูงถึง 20.2% เทียบกับ 2.1% เมื่อคำตอบล้าสมัย การอ้างอิงที่ใช้สนับสนุนข้อกล่าวอ้างเหล่านั้น 81.8% กลับขัดแย้งกับข้อกล่าวอ้าง เทียบกับเพียง 0.9% ในกรณีคำตอบที่เป็นปัจจุบัน ผลการทดสอบเอกสารสรุปข้อเท็จจริงก็พบรูปแบบคล้ายกัน

กล่าวโดยสรุป โมเดล AI ที่ศึกษาเหล่านี้มีแนวโน้มตอบผิดมากขึ้นเมื่ออาศัยคำอธิบายสั้น ๆ ที่แสดงในผลการค้นหา แทนที่จะอ่านหน้าเว็บจริง ที่แย่กว่านั้นคือ บางครั้งโมเดลยังเชื่อมโยงไปยังหน้าเว็บที่พิสูจน์ว่าคำตอบของตนเองผิด

ความล้มเหลวร่วมกัน

หากกลุ่มที่เลือกมาใช้ในการทดสอบเหล่านี้ไม่ได้เป็นกรณีผิดปกติร่วมกัน ก็สมเหตุสมผลที่จะสันนิษฐานว่าโมเดลอื่น ๆ ทั้งแบบปิดและแบบโอเพนซอร์สได้รับผลกระทบจากรูปแบบความล้มเหลวนี้เช่นกัน ที่จริงแล้ว ในความล้มเหลว 9 ประเภทที่พบจากการค้นเว็บแบบเรียลไทม์ของ GPT-5.6 Luna มี 7 ประเภทที่สัมพันธ์กับความล้มเหลวอย่างมีนัยสำคัญ เมื่อทดสอบโมเดลอื่นโดยใช้ผลการค้นหาชุดเดิมที่กำหนดไว้ ซึ่งชี้ว่าปัญหาไม่ได้จำกัดอยู่แค่ Luna

การแสดงหน้า Wikipedia ที่ถูกต้องให้โมเดลโดยตรงช่วยลดคำตอบที่ล้าสมัย โดยจำนวนครั้งที่ล้มเหลวลดจาก 14 เหลือศูนย์สำหรับ gemma-4-31b จาก 11 เหลือหนึ่งสำหรับ gpt-oss-20b และจาก 16 เหลือแปดสำหรับ qwen3-8b นอกจากนี้ การถามคำถามเดิมซ้ำหลังเปิดหน้าเว็บแต่ละหน้า ยังช่วยแก้ไขผลการตรวจสอบเอกสารสรุปข้อเท็จจริงที่ก่อนหน้านี้ตอบผิดได้ 26.1%

ผลลัพธ์แสดงความถี่ที่ gemma-4-31b, gpt-oss-20b และ qwen3-8b ยอมรับข้อกล่าวอ้างที่ล้าสมัยภายใต้เงื่อนไขต่าง ๆ หลักฐานชุดเดียวกันถูกซ่อนไว้ แสดงให้โดยตรงในพรอมป์ต์ หรือทำให้เข้าถึงได้ผ่านผลการค้นหา โดยมีการทดสอบแยกต่างหากที่ขอแหล่งข้อมูลสนับสนุน การแสดงหน้าที่ถูกต้องให้โมเดลโดยตรงได้ผลดีกว่ามากเมื่อเทียบกับการให้โมเดลค้นหาหน้านั้นด้วยตนเอง ตัวเลขแสดงจำนวนครั้งที่ล้มเหลวเทียบกับจำนวนการทดสอบทั้งหมด

กฎของสโมสร

ท้ายที่สุด เพื่อทำความเข้าใจให้ดียิ่งขึ้นว่าเหตุใด AI จึงเพิกเฉยต่อข้อมูลที่ถูกต้องในบางครั้ง นักวิจัยได้ทดสอบโมเดลแบบเปิดน้ำหนัก 3 รุ่นกับนักฟุตบอลที่ย้ายสโมสร ได้แก่ gpt-oss-20b, gemma-4-31b และ qwen3-8b

แต่ละโมเดลได้รับข้อมูลที่ล้าสมัยเกี่ยวกับสโมสรของนักฟุตบอล โดยบางครั้งมีหน้า Wikipedia ที่ถูกต้องให้ด้วย จากนั้นนักวิจัยตรวจสอบว่าในระหว่างประมวลผล โมเดลเลือกยึดคำตอบใด

ผลการทดสอบแสดงให้เห็นว่าโมเดลสามารถระบุสโมสรที่ถูกต้องได้ แต่ยังคงตอบผิด:

ผลการทดสอบแสดงให้เห็นว่า qwen3-8b ให้น้ำหนักกับข้อมูลเกี่ยวกับสโมสรฟุตบอลที่ถูกต้องและล้าสมัยอย่างไรในระหว่างสร้างคำตอบ กราฟด้านซ้ายแสดงคำตอบที่ถูกต้อง ซึ่งสโมสรที่ถูกต้องยังคงมีน้ำหนักมากกว่า ส่วนกราฟด้านขวาแสดงคำตอบที่ผิด ซึ่งสโมสรตามข้อมูลล้าสมัยมีน้ำหนักมากกว่าสโมสรที่ถูกต้องในช่วงท้ายของการประมวลผล พื้นที่แรเงาแสดงความแปรผันระหว่างการทดสอบ

ใน qwen3-8b บางครั้งสโมสรที่ถูกต้องมีน้ำหนักนำอยู่ภายในโมเดล ก่อนที่สโมสรตามข้อมูลล้าสมัยจะแซงขึ้นมาในช่วงก่อนสร้างคำตอบ (ดูด้านบน) พบรูปแบบคล้ายกันใน gpt-oss-20b ขณะที่ gemma-4-31b โดยทั่วไปให้น้ำหนักกับสโมสรที่ «ล้าสมัย» มากกว่าตลอดกระบวนการ

ดังนั้น แม้จะมีหลักฐานที่ถูกต้องและโมเดลรับรู้หลักฐานนั้นแล้ว ข้อมูลที่ล้าสมัยก็อาจยังมีน้ำหนักเหนือกว่าในคำตอบสุดท้ายได้

โดยสรุป ผู้เขียนเสนอว่าโมเดลควรใช้หน้าเว็บที่ดึงมาให้เกิดประโยชน์มากขึ้น แทนที่จะพึ่งพาข้อความตัวอย่างจากผลการค้นหา นอกจากนี้ พวกเขายังหวังว่าจะค้นพบว่าเหตุใดบางครั้งโมเดลจึงยังยึดติดกับข้อมูลที่ล้าสมัยทั้งที่มีคำตอบที่ถูกต้องอยู่แล้ว และการเปลี่ยนแปลงวิธีที่โมเดลประมวลผลข้อมูลจะช่วยได้หรือไม่ อย่างไรก็ตาม บทความไม่ได้เสนอแนวทางแก้ไขที่ชัดเจน

บทสรุป

แม้งานวิจัยฉบับใหม่นี้จะให้ข้อคิดที่มีคุณค่าอยู่บ้าง แต่ก็ไม่ได้อธิบายว่าเหตุใด LLM จึงใช้การอ้างอิงแหล่งที่มาและเอกสารอ้างอิงอย่างไม่ใส่ใจ ในฐานะผู้บริโภคและผู้วิเคราะห์รูปแบบต่าง ๆ ด้วยตนเองพอสมควร ฉันรู้สึกว่า LLM ที่ฉันใช้แนะนำงานวิจัยหรือ URL เพราะเว็บไซต์อื่น ๆ…ที่ได้รับการแนะนำต่อ ๆ กันมา…เป็นผู้แนะนำหรือเปล่า? แล้วความน่าเชื่อถือนั้นมีที่มาจากไหนกันแน่?

พูดตามตรง แม้แต่ในยุคก่อน AI เราก็ไม่สามารถแก้ปัญหานี้ได้ ดังนั้นจึงอาจไม่น่าแปลกใจหากท้ายที่สุดพบว่า LLM ไม่ได้ช่วยประหยัดทั้งเงินและเวลาแฝง แต่กลับเผยแพร่ข่าวลือจากจีนชุดเดิมต่อไป ซึ่งเราก็หลอกตัวเองว่าเป็น “ความจริง”

* บทความไม่ได้ระบุว่าใครเป็นผู้ดำเนินการทบทวนเหล่านี้

เผยแพร่ครั้งแรกเมื่อวันศุกร์ที่ 16 ตุลาคม 2026