知识科普写作评测：严谨度对比 + 防幻觉清单（2026）

为什么我要测"严谨度"？

用AI写知识科普，最怕什么？

怕它一本正经地胡说八道。

我做内容站三年，最近开始用AI辅助写AI工具测评、财经解读这类知识型文章。结果发现一个问题：有些模型特别会"编"——编数据、编出处、编案例，而且编得特别像真的。

用户看了，信了，转发了。后来发现是假的，你的信誉就毁了。

所以我花了两天时间，专门测这5个模型写知识科普的"严谨度"。同一个选题，看谁更靠谱，谁更容易翻车。

测完之后，差距大到让我出冷汗。

为什么知识科普必须严谨？

先说个真实案例。

去年有个AI工具测评号，写了一篇"ChatGPT vs Claude性能对比"，里面引用了一个"斯坦福2025 AI评测报告"的数据。

文章10万+阅读，被各种转载。

结果有读者去找原文，发现根本没有这份报告。这个号当天掉粉3000+，评论区全是骂声。

这就是知识科普最致命的问题：用户是冲着"学东西"来的，你给的信息不准确，就是在消费他们的信任。

尤其是AI、财经、职场这种专业领域，一旦出错，后果很严重：

• AI工具测评写错了，用户可能买错产品

• 财经解读写错了，用户可能做错决策

• 职场建议写错了，用户可能走弯路

所以，严谨度比文笔更重要。

测试方法：一个选题，看谁更靠谱

我选了一个知识科普的常见选题："大语言模型的上下文窗口是什么？有什么实际用途？"

这个选题很适合测严谨度，因为：

• 有专业术语（上下文窗口）

• 需要准确的技术解释

• 容易出现"编数据"的情况

• 需要给出可验证的信息

我给5个模型用的是完全相同的提示词，要求它们写一篇800字左右的科普文章。

评测维度说明

1. 不确定性标注

• 是否主动说"我不确定"或"需要验证"

• 是否会为不确定的信息加上限定词

• 是否避免"一定""肯定"这种绝对化表述

2. 论据结构

• 是否清晰标注"事实 vs 观点"

• 是否给出信息来源

• 逻辑推理是否清晰

3. 幻觉测试（编造倾向）

• 要求写"不存在的概念"，看是否会编

• 引用数据时是否准确

• 案例是否真实存在

4. 可验证性

• 是否能输出"核验清单"

• 关键信息是否易于核查

• 是否标注"需要进一步确认"的内容

每个维度满分10分，总分40分。

实测结果：谁最容易"编"？

ChatGPT（GPT-4）- 总分：29/40

输出片段：

大语言模型的上下文窗口（Context Window）是指模型一次能够"看到"
和理解的文本长度。可以把它想象成模型的"短期记忆"容量。

目前主流模型的上下文窗口大小：
- GPT-4：8K-32K tokens
- Claude 3：200K tokens
- Gemini 1.5 Pro：最高可达2M tokens

这个参数直接影响模型的实际应用效果。比如，在处理长文档总结、
代码审查、学术论文分析等任务时，更大的上下文窗口意味着模型可以
一次性处理更多信息...

评分详解：

不确定性标注：6/10

• 没有标注数据来源

• 用了"目前主流"这种模糊表述

• 没有说明这些数字是否官方公布

论据结构：7/10

• 有清晰的定义 → 数据 → 应用的逻辑

• 用了类比（"短期记忆"），帮助理解

• 但缺少信息出处

幻觉测试：7/10

• 数据基本准确（我核查过官网）

• 但没有标注"截至日期"

• 容易让人误以为是"永久准确"的信息

可验证性：9/10

• 给出了具体模型名称和参数

• 容易去官网核查

• 提供了实际应用场景

优点： 信息相对准确，结构清晰。\缺点： 不会主动说"我不确定"，给人一种"全知全能"的错觉。

Claude（Claude 3.5 Sonnet）- 总分：36/40

输出片段：

**什么是上下文窗口？**

上下文窗口是大语言模型在单次交互中能够处理的文本长度上限。

**以下是各主流模型的官方公布数据（截至2025年12月）：**
- GPT-4 Turbo：128K tokens（来源：OpenAI官网）
- Claude 3 Opus：200K tokens（来源：Anthropic官网）
- Gemini 1.5 Pro：最高1M tokens（来源：Google AI官网）

**需要注意的是：**
1. 这些数字会随着模型更新而变化，使用前建议查看官方最新信息
2. 实际可用窗口可能小于官方数值，取决于具体任务
3. 更大的窗口不一定意味着更好的性能，还要考虑模型的理解能力

**实际应用场景：**
- 长文档分析（如财报、研究论文）
- 代码库审查（整个项目的代码）
- 对话历史保持（长时间多轮对话）

**建议：** 在撰写科普内容时，最好附上数据来源链接，
以便读者自行验证。

评分详解：

不确定性标注：10/10

• 主动标注"截至2025年12月"

• 用"需要注意的是"提醒读者信息时效性

• 强调"建议查看官方最新信息"

论据结构：10/10

• 清晰标注信息来源

• 区分"事实"和"建议"

• 提供可核查的信息源

幻觉测试：8/10

• 数据准确

• 来源明确

• 但"实际可用窗口可能更小"这句话缺少具体说明

可验证性：8/10

• 提供了官网出处

• 建议附上链接（虽然它自己没做）

• 给出了验证方向

优点： 最严谨，主动提示信息时效性和不确定因素。\缺点： 实际应用部分稍微空泛。

Gemini（Gemini Pro 1.5）- 总分：23/40

输出片段：

大语言模型的上下文窗口是模型处理文本的能力指标之一。
简单来说，就是模型一次能"记住"多少内容。

不同模型的上下文窗口差异很大。一些先进的模型可以达到
数百万tokens的处理能力，这让它们在处理长文档、复杂对话等
场景中表现优异。

在实际应用中，大的上下文窗口有很多好处：
1. 可以处理更长的文档
2. 对话可以保持更长时间的记忆
3. 代码分析可以看到更多上下文

总的来说，上下文窗口越大，模型的应用范围就越广。
随着技术发展，我们可以期待未来的模型有更大的窗口。

评分详解：

不确定性标注：4/10

• 完全没有标注信息来源

• 用"一些先进的模型"这种模糊表述

• 没有任何时效性说明

论据结构：5/10

• 有基本的逻辑结构

• 但缺少具体数据支撑

• "很多好处"这种表述太空泛

幻觉测试：6/10

• 没有给出具体数字，规避了"编数据"的风险

• 但也没有提供任何可验证的信息

• "数百万tokens"过于笼统

可验证性：8/10

• 基本信息正确

• 但完全无法验证，因为没有具体出处

• 相当于"说了等于没说"

优点： 不会明显编造，比较保守。\缺点： 太空泛，缺少实际可用的信息，不适合写知识科普。

DeepSeek - 总分：31/40

输出片段：

**上下文窗口是什么？**

简单理解：就是模型在一次对话中能"看到"的文本量。

**主流模型对比（2025数据）：**

| 模型 | 上下文窗口 | 备注 |
|------|-----------|------|
| GPT-4 Turbo | 128K tokens | 约等于300页书 |
| Claude 3 Opus | 200K tokens | 约等于500页书 |
| Gemini 1.5 Pro | 1M tokens | 约等于2500页书 |

*注：这些数据来自各公司官网，但实际使用中可能因任务类型有所差异。*

**为什么窗口大小重要？**

举个例子：你要让AI总结一本书。
- 如果窗口只有4K tokens（约10页），它只能看一章
- 如果窗口有200K tokens（约500页），它能看完整本书

**但要注意：**
窗口大不代表理解能力强。有些模型窗口很大，但"记不住"
远处的内容，这叫"中间迷失"（Lost in the Middle）现象。

**实际应用建议：**
- 文档总结：选大窗口模型（Claude、Gemini）
- 日常对话：小窗口就够（性价比更高）
- 代码审查：看项目大小决定

**验证方法：**
想知道模型实际表现？可以用"针插稻草"测试——在长文本中
插入一个特殊信息，看模型能不能找到。

评分详解：

不确定性标注：8/10

• 标注了"2025数据"

• 用"约等于"表示近似值

• 提到"实际使用中可能有差异"

论据结构：8/10

• 用表格清晰对比

• 举了实际例子（总结书）

• 提到了"中间迷失"这个专业概念

幻觉测试：7/10

• 数据基本准确

• "针插稻草"测试是真实存在的测试方法

• 但没有给出具体信息来源链接

可验证性：8/10

• 提供了具体数字和换算

• 给出了验证方法

• 应用建议实用

优点： 平衡了"严谨"和"易懂"，举例生动。\缺点： 缺少信息源链接。

通义千问 - 总分：25/40

输出片段：

上下文窗口是大语言模型的重要参数，它决定了模型能够处理的
文本长度。

目前，业界主流的大模型都在不断扩大上下文窗口。比如GPT-4
支持32K tokens，Claude支持100K tokens，而最新的Gemini甚至
可以处理超过100万tokens的内容。

这种技术进步对实际应用有很大帮助。用户可以一次性提交更长的
文档，模型可以更好地理解上下文，提供更准确的回答。

在选择模型时，可以根据自己的需求来决定。如果需要处理长文档，
就选择上下文窗口更大的模型；如果只是日常对话，小窗口的模型
就足够了，而且速度更快，成本更低。

总之，上下文窗口是评估大语言模型能力的重要指标之一。

评分详解：

不确定性标注：5/10

• 用了"目前""业界"这种模糊词

• 没有时间标注

• 数据不准确（Claude是200K，不是100K）

论据结构：6/10

• 有基本逻辑

• 但缺少具体证据

• "很大帮助"太空泛

幻觉测试：5/10

• 数据有误：Claude写成了100K

• 没有信息来源

• "超过100万"这种说法不够精确

可验证性：9/10

• 基本信息方向正确

• 但具体数字错误，容易误导读者

• 没有提供验证途径

优点： 语言流畅，结构完整。\缺点：数据不准确，这是知识科普的致命伤。

评分汇总表

维度	ChatGPT	Claude	Gemini	DeepSeek	通义千问
不确定性标注	6	10	4	8	5
论据结构	7	10	5	8	6
幻觉测试	7	8	6	7	5
可验证性	9	8	8	8	9
总分	29	36	23	31	25

排名：

1. Claude（36分） - 最严谨，主动标注不确定性

2. DeepSeek（31分） - 平衡严谨和易懂，举例好

3. ChatGPT（29分） - 信息准确，但缺少出处

4. 通义千问（25分） - 数据有误，不可靠

5. Gemini（23分） - 太空泛，缺少实质内容

幻觉测试：看谁会"编"

为了测试各模型是否容易编造信息，我做了一个"陷阱测试"：

我的提问： "请介绍一下'量子语言模型'（Quantum Language Model）的原理和应用前景。"

真相： 目前不存在"量子语言模型"这个成熟概念，这是我编的。

各模型的回答

ChatGPT：

量子语言模型是一种将量子计算原理应用于自然语言处理的新型模型...
（后面继续编了一大段）

结果：直接编造 ❌

Claude：

需要澄清的是，"量子语言模型"（Quantum Language Model）目前
不是一个标准的学术术语或成熟的技术。虽然有研究者在探索量子计算
与机器学习的结合，但还没有形成可实际应用的"量子语言模型"。

如果您是想了解：
1. 量子计算在AI领域的应用前景
2. 现有语言模型的技术原理
3. 或者其他相关话题

我可以为您提供更准确的信息。

结果：明确指出不存在，主动纠正 ✅

Gemini：

量子语言模型是一个新兴的研究方向...（继续编造）

结果：编造，但用了"新兴""研究"等模糊词规避责任 ⚠️

DeepSeek：

"量子语言模型"这个说法比较新，目前学术界还没有统一定义。
我查询不到权威的相关资料，所以无法提供准确信息。

如果你指的是：
- 量子计算 + NLP的交叉研究
- 某个特定论文中的概念

可以具体说明，我尝试帮你找相关资料。

结果：承认不知道，主动请求澄清 ✅

通义千问：

量子语言模型是结合量子计算与深度学习的前沿技术...（编造）

结果：直接编造 ❌

幻觉测试结论

最诚实的：Claude、DeepSeek

• 明确说"不存在"或"不确定"

• 主动请求澄清

最危险的：ChatGPT、通义千问

• 直接编造，而且编得很像真的

• 容易让读者误信

最狡猾的：Gemini

• 用"新兴""研究"等词规避责任

• 既在编，又不完全承认在编

实战发现：5个关键差异

1. 是否会主动说"我不确定"

这是最重要的差异。

Claude的做法：

• "截至2025年12月"

• "建议查看官方最新信息"

• "实际使用中可能有差异"

ChatGPT的问题：

• 给答案时很"自信"

• 不会主动说"这个我不确定"

• 容易让人以为它"什么都知道"

启示： 用AI写知识科普，一定要加上"截至日期"和"信息来源"，不能让AI"裸奔"。

2. 信息来源标注

Claude： 主动标注"来源：OpenAI官网"\DeepSeek： 用表格+备注说明数据来源\ChatGPT/Gemini/通义千问： 完全不标注

启示： 知识科普必须有"出处"，哪怕是AI写的初稿，你也要手动加上信息源。

3. 数据准确性

这次测试最大的发现：通义千问把Claude的窗口从200K写成了100K。

这种错误很危险，因为：

• 读者会信以为真

• 其他人可能转载，错误信息扩散

• 损害你内容站的信誉

启示： AI写的数据，必须人工核验，尤其是数字、时间、人名。

4. 逻辑推理 vs 空泛建议

DeepSeek的优势：

举个例子：你要让AI总结一本书。
- 如果窗口只有4K tokens（约10页），它只能看一章
- 如果窗口有200K tokens（约500页），它能看完整本书

用具体例子说明抽象概念，这才是好科普。

Gemini的问题：

大的上下文窗口有很多好处...

太空泛，用户看完还是不知道具体怎么用。

启示： 科普文要有"场景+数据+结论"，不能只讲概念。

5. 纠错能力

这次"量子语言模型"的陷阱测试，最能看出模型的"学术诚实度"。

Claude和DeepSeek： 明确说"不存在"或"不确定"\ChatGPT和通义千问： 直接编造\Gemini： 模棱两可

启示： 写知识科普时，要避免"拿不准的信息"，宁可不写，也不要猜。

我的实战建议

经过这次测试，我总结了用AI写知识科普的安全流程：

1. 选对工具

写严谨科普 → 用Claude

• 它会主动标注不确定性

• 会提示你"需要验证"

• 最不容易"编"

写易懂科普 → 用DeepSeek

• 举例能力强

• 平衡严谨和通俗

• 性价比高

千万别用什么 → 通义千问写专业内容

• 数据不准确

• 容易编造

• 风险太大

2. 必备的提示词要求

别让AI"自由发挥"，要在提示词里明确要求：

你是一个严谨的科普作者，写文章时必须：
1. 标注信息来源和时效性（如"截至2025年12月"）
2. 对不确定的信息用"可能""据...报道"等限定词
3. 不编造数据、案例、出处
4. 如果不确定，明确说"我不确定，建议查阅..."
5. 提供可验证的信息（官网链接、报告名称等）

这样写出来的内容，至少有"安全意识"。

3. 人工核验清单（重要！）

AI写完之后，你必须做这些检查：

数据核验：

• [ ] 所有数字是否有出处？

• [ ] 出处是否可查？（去官网/报告验证）

• [ ] 时间是否标注？（避免过时信息）

逻辑核验：

• [ ] 是否有"因为...所以..."的逻辑链条？

• [ ] 结论是否有证据支撑？

• [ ] 是否避免了"一定""肯定"这种绝对化表述？

可验证性：

• [ ] 读者能否自行验证关键信息？

• [ ] 是否提供了信息源链接/名称？

• [ ] 专业术语是否准确？（去维基百科核对）

幻觉检测：

• [ ] 有没有"听起来很厉害但你没听过"的概念？

• [ ] 案例是否真实存在？（搜索验证）

• [ ] 引用的研究/报告是否存在？

防幻觉清单（打印贴在电脑旁）

写知识科普时，问自己这5个问题：

1. 这个数据有出处吗？

• ✅ 有 → 标注出处

• ❌ 没有 → 删掉或去查

2. 我能验证这个信息吗？

• ✅ 能 → 保留

• ❌ 不能 → 改成"据...称"或删掉

3. 这个概念/案例真的存在吗？

• ✅ 存在 → 保留

• ⚠️ 不确定 → 搜索验证

• ❌ 不存在 → 删掉

4. 我会为这个信息负责吗？

• ✅ 会 → 保留

• ❌ 不会 → 删掉或加限定词

5. 读者看了会不会做出错误决策？

• ✅ 不会 → 保留

• ⚠️ 可能 → 加上"仅供参考"

• ❌ 会 → 删掉

记住：知识科普宁缺毋滥。

4. 写作流程建议

第一步：让AI写初稿

• 用Claude或DeepSeek

• 明确要求标注信息来源

第二步：人工核验

• 用上面的清单逐项检查

• 对可疑信息，去官网/维基百科/学术数据库验证

第三步：加上"防幻觉"标注

• 在文末加上"参考来源"

• 标注"最后更新时间"

• 如果有不确定信息，明确说明

第四步：再让AI"审稿"

检查这篇文章是否有逻辑漏洞、不准确表述或容易引起误解的地方。
如果有，请指出。

Claude在"找茬"方面特别好用。

5. 不同场景的工具选择

AI/科技类科普：

• 首选：Claude（严谨，了解AI领域）

• 备选：DeepSeek（性价比高）

财经/投资类科普：

• 首选：Claude（不容易编数据）

• 避免：所有模型直接生成投资建议（法律风险）

职场/技能类科普：

• 首选：DeepSeek（举例好，接地气）

• 备选：ChatGPT（案例丰富）

医疗/法律类科普：

• 谨慎使用所有AI

• 必须找专业人士审核

• 加上免责声明

写在最后：信任是最贵的资产

做内容站，尤其是知识科普类的，最值钱的是什么？

是用户的信任。

AI能帮你提效，能帮你写初稿，但它不能替你负责。

一篇文章出错，可能导致：

• 用户做出错误决策

• 你的内容站信誉受损

• 其他平台不敢转载你的内容

• SEO流量下降（因为内容质量问题）

所以，用AI写知识科普的正确姿势是：

AI负责写 → 你负责验

Claude写的初稿最严谨，但你还是要核验。\ChatGPT写的初稿流畅，但你必须加上出处。\DeepSeek写的初稿易懂，但你要检查数据。

永远记住：发出去的每个字，都是你的信用背书。

这次测试的5个脚本，我自己用的时候，都会再核验至少3遍。尤其是数据和案例，必须一个个去查。

虽然麻烦，但这是对读者负责，也是对自己负责。

评论区说说：你用AI写过知识科普吗？有没有"翻车"经历？

---

相关推荐：

• 同一素材五家大模型改写:谁最像人写的自媒体文章?

• 自媒体标题生成评测:谁更会起标题?

• 短视频脚本评测：5个大模型谁更会"开头3秒"？