Google Research 與 Technion 研究：GPT-5 等前沿模型透過延長思考時間，可恢復高達 65% 無法直接回憶的事實

據 VentureBeat 報導，Google Research 與 Technion 的最新研究指出，大型語言模型（LLM）的幻覺通常並非缺乏知識，透過延長思考時間，前沿模型可恢復高達 65% 無法直接回憶的事實。 實驗顯示，GPT-5 與 Gemini-3 等模型實際上已將 95% 至 98% 的測試事實編碼於參數中，事實準確度的主要瓶頸在於「提取（recall）」而非「編碼（encoding）」。 研究團隊提出「事實級分析（fact-level profiling）」評估框架，取代單一提示詞的對錯評分，將模型知識分為五種狀態：直接提取、編碼失敗、提取失敗、思考後提取（透過 Chain-of-Thought 等推論期運算建立橋樑），以及無編碼推論。 報告指出，編碼失敗需透過擴展模型規模或訓練資料等預訓練介入來解決；而提取失敗則可透過後訓練介入改善。工程團隊無需依賴更大的模型或外部資料庫，即可藉由推論期運算解鎖模型既有知識，進而建立更可靠的應用程式。