---
title: "Что такое галлюцинации нейросети? Почему LLM выдумывают"
description: "Галлюцинация — гладкое, но ложное или ничем не подкреплённое утверждение LLM. Почему модель угадывает, а не говорит «не знаю», и как снизить это в приложении."
url: https://broadrouter.com/ru/glossary/hallucination/
lang: ru
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/glossary/hallucination/) (обновлён 2026-11-14).

# Галлюцинация (hallucination)

Обновлено 2026-11-14

Галлюцинация — это ответ языковой модели, который звучит правдоподобно, но ложен, выдуман или не подкреплён переданными ей данными: например, несуществующая ссылка на источник, неверное число или выдуманный метод API. Она возникает потому, что модель предсказывает вероятный текст, а не проверяет факты.

Также называют: галлюцинации нейросети, галлюцинации ИИ, галлюцинации LLM, конфабуляция, выдумки модели, hallucination, AI hallucination, LLM hallucination, confabulation

Галлюцинация читается точно так же, как правильный ответ. Именно поэтому она обходится дорого.

## Как это работает

Языковая модель пишет самые правдоподобные следующие токены с учётом обучения и промпта. Ничто в этом цикле не сверяет факты с реальностью. Если у модели нет ответа, правдоподобный на вид ответ у неё всё равно найдётся.

Kalai с соавторами в статье 2025 года утверждают, что галлюцинации сохраняются, потому что “training and evaluation procedures reward guessing over acknowledging uncertainty” (перевод: «процедуры обучения и оценки поощряют угадывание, а не признание неуверенности»). Большинство бенчмарков засчитывают верную догадку и ничего не дают за отказ отвечать, поэтому модели настраиваются хорошо сдавать тесты. Авторы также выводят ошибки из статистической причины: если модель не может надёжно отличать истинные утверждения от ложных, предобучение будет порождать ложные.

Частые формы в работе с API:

-   выдуманные ссылки на источники, URL или цитаты;
-   неверные цифры в кратком изложении правильного документа;
-   несуществующие методы или параметры API;
-   ответы на вопросы, которые переданный контекст не покрывает.

## Почему это важно

Цена проявляется дальше по цепочке: бот поддержки, который выдумывает правила возврата денег, отчёт с неверной итоговой суммой, код, вызывающий несуществующую функцию. По сравнению с этим исправления дешёвые:

-   **Опирайте ответ на источники.** Положите исходный текст в промпт или найдите его через [RAG](https://broadrouter.com/ru/glossary/rag/). Lewis с соавторами обнаружили, что генерация, дополненная поиском, более “factual” (перевод: «фактологична»), чем базовая модель, опирающаяся только на параметры. См. [заземление (grounding)](https://broadrouter.com/ru/glossary/grounding/).
-   **Разрешите отвечать «не знаю».** Anthropic называет явное разрешение признавать неуверенность базовым шагом.
-   **Просите цитаты, затем проверяйте.** Пусть модель приводит подтверждающую цитату для каждого утверждения, а утверждения без цитаты отбрасывайте.
-   **Измеряйте.** Соберите набор для [оценки (eval)](https://broadrouter.com/ru/glossary/eval/) с вопросами, ответа на которые в контексте нет, и отслеживайте, как часто модель его выдумывает. [Logprobs](https://broadrouter.com/ru/glossary/logprobs/), если API их возвращает, помогают отмечать ответы с низкой уверенностью.
-   **Проверяйте в коде.** Итоговые суммы, даты и ID можно проверить без модели.

Снижение [температуры](https://broadrouter.com/ru/glossary/temperature/) помогает против дрейфа в длинном тексте, но не против уверенных ошибок.

## В BroadNet Inference

Документация BroadNet не публикует долю галлюцинаций для своих моделей и не указывает функций ограничителей (guardrails) или проверки фактов, поэтому эти меры остаются на стороне вашего приложения. Опоре на источники помогает большой контекст: DeepSeek V4.1 Flash и GLM 5.3 принимают 1 048 576 токенов на запрос — достаточно, чтобы включить исходные документы целиком. О поисковых конвейерах для арабского — в статье [RAG на арабском](https://broadrouter.com/ru/blog/arabic-rag-search/); о проверке извлечённых полей по изображению — в [руководстве по счетам](https://broadrouter.com/ru/guides/read-arabic-invoices-with-vision/).

## Вопросы и ответы

### Почему нейросети галлюцинируют?

Они обучены выдавать вероятный текст, а Kalai с соавторами утверждают, что обучение и бенчмарки поощряют уверенную догадку, а не признание неуверенности. Догадка может принести баллы, а «не знаю» — ни одного.

### Можно ли полностью избавиться от галлюцинаций?

Ни один метод не устраняет их полностью. Их уменьшают опора на документы, разрешение отвечать «не знаю», цитаты и проверки в коде. В руководстве Anthropic сказано, что эти приёмы уменьшают галлюцинации, но не устраняют их.

### Убирает ли галлюцинации низкая температура?

Она уменьшает случайный выбор слов, но не уверенные ошибки. При температуре 0 модель может каждый раз давать один и тот же неверный ответ.

## См. также

-   [Заземление (grounding)](https://broadrouter.com/ru/glossary/grounding/) (термин)
-   [RAG (генерация, дополненная поиском)](https://broadrouter.com/ru/glossary/rag/) (термин)
-   [Logprobs (логарифмы вероятностей токенов)](https://broadrouter.com/ru/glossary/logprobs/) (термин)
-   [Eval (оценка LLM)](https://broadrouter.com/ru/glossary/eval/) (термин)
-   [Температура (temperature)](https://broadrouter.com/ru/glossary/temperature/) (термин)
-   [Ограничители (guardrails)](https://broadrouter.com/ru/glossary/guardrails/) (термин)
-   [Как читать арабские счета и чеки vision-моделью](https://broadrouter.com/ru/guides/read-arabic-invoices-with-vision/) (руководство)
-   [RAG на арабском: нормализация, чанкинг и поиск, который работает](https://broadrouter.com/ru/blog/arabic-rag-search/) (статья)
-   [Как оценить LLM перед сменой провайдера](https://broadrouter.com/ru/blog/evaluate-llm-before-switching/) (статья)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

[Начать](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-glossary-hallucination&utm_content=page-cta) ·

**Источники**

-   [Kalai и др. (2025), Why Language Models Hallucinate](https://arxiv.org/abs/2509.04664)
-   [Anthropic, как уменьшить галлюцинации](https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations)
-   [Lewis и др. (2020), Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks](https://arxiv.org/abs/2005.11401)
