Google Research 發布 WikiProfile 評測：GPT-5 與 Gemini 3 已編碼 95% 事實，但仍有近三成無法直接提取

Google Research 發布「知識分析（Knowledge profiling）」框架與 WikiProfile 評測基準，指出大型語言模型的事實性錯誤主要源於「提取失敗（Recall failures）」，而非「未編碼（Encoding failures）」。 研究團隊建構了包含 2,150 個維基百科事實的 WikiProfile 評測基準，並針對 Gemini-3-Pro、Gemini-3-Flash、GPT-5 及 Gemma 3 系列等 13 款模型進行測試，共產生約 450 萬筆回應。 測試結果顯示，Gemini-3-Pro 與 GPT-5 等前沿模型已將 95% 至 98% 的事實編碼至參數中，但仍有 26% 至 34% 的事實無法被直接提取。即使啟用「思考（Thinking）」模式，這些前沿模型仍會在 11% 至 12% 的事實上提取失敗。 在 Gemma 3 系列的測試中發現，擴展模型規模能大幅減少編碼失敗的比例，但提取失敗的比例依然居高不下。這表明前沿模型的瓶頸已從知識獲取轉移至知識利用。