大语言模型的幻觉问题呈现概率性特征而非二元判断。GPT-5.5虽在减少幻觉方面取得进展，但仍存在三类典型问题：1）小众领域和最新事件的“自信虚构”；2）数值信息的近似偏差；3）多步推理中的误差累积。这些问题的根源在于模型基于统计模式生成内容而非事实检索。建议分层使用模型：概念解释等场景可直接采用，专业领域需交叉验证，关键数据必须人工核实。通过多模型对比和提示词优化可降低风险，但需始终将其视为概率性

Google发布的Gemini 3.1Pro采用稀疏混合专家模型(MoE)架构，通过创新的路由策略实现性能突破。该模型通过"差分注意力"机制提升专家选择精度，在百万token长文本任务中表现突出。API新增三级深度调节参数，允许用户根据任务复杂度平衡速度与质量。虽然官方未披露专家数量等核心参数，但从性能提升可推断其路由效率显著提高，同等计算成本下实现ARC-AGI-2得分从31

Google发布的Gemini 3.1Pro采用稀疏混合专家模型(MoE)架构，通过创新的路由策略实现性能突破。该模型通过"差分注意力"机制提升专家选择精度，在百万token长文本任务中表现突出。API新增三级深度调节参数，允许用户根据任务复杂度平衡速度与质量。虽然官方未披露专家数量等核心参数，但从性能提升可推断其路由效率显著提高，同等计算成本下实现ARC-AGI-2得分从31