GPT-4 仍存在“幻覺”和推理錯(cuò)誤�；糜X指的是產(chǎn)生與某些來(lái)源有關(guān)的無(wú)意義或不真實(shí)的 內(nèi)容。但是，與 GPT-3.5 模型相比，GPT-4 顯著減少了幻覺，并在內(nèi)部的對(duì)抗性事實(shí)性評(píng) 估中，在所有項(xiàng)的準(zhǔn)確率均分比新的 GPT-3.5 G出 19pct。

與 ChatGPT 類似，GPT-4 寫 的訓(xùn)練數(shù)據(jù)均是 2021 年 9 月之前的，因此缺乏對(duì)該日期之后的知識(shí)的掌握，會(huì)犯一些簡(jiǎn)單 的推理錯(cuò)誤，接受用戶的明顯錯(cuò)誤陳述，或在在生成的代碼中存在安全漏洞。

RLHF顯著提G了 GPT-4在 TruthfulQA公共基準(zhǔn)測(cè)試上的表現(xiàn)，但程度仍欠佳。TruthfulQA 基準(zhǔn)測(cè)試了模型從對(duì)抗選擇的一組不正確的語(yǔ)句中分離事實(shí)的能力。GPT-4 基本模型在 TruthfulQA基準(zhǔn)上的表現(xiàn)略好于GPT-3.5。經(jīng)過RLHF訓(xùn)練后，GPT-4相比于同樣經(jīng)過RHLF 的 GPT-3.5-turbo 在準(zhǔn)確率上超 10pct。但是，即使經(jīng)過 RLHF 訓(xùn)練，GPT-4 在 TruthfulQA 上的準(zhǔn)確率也只有 60%，未達(dá)到更G水平。