DeepSeek R1模型的“幻觉”问题与企业级应用的破局之道

年初以来，DeepSeek R1模型以其卓越的推理能力备受关注。然而，“幻觉”仍旧是当前大语言模型无法避免的问题。

人们一度认为，随着大模型推理能力的提升，将极大提升回答的准确性，从而减少“幻觉”现象。

事与愿违，尽管 DeepSeek R1 模型在推理能力上的表现令人瞩目，但却呈现出更高的幻觉率。

根据 Vectara 团队 HHEM 人工智能幻觉测试的结果，DeepSeek R1 的幻觉率高达 14.3%，是其通用大模型 DeepSeek V3 的4倍。

来源：https://www.vectara.com/blog/deepseek-r1-hallucinates-more-than-deepseek-v3

不仅是DeepSeek，其他大模型也存在类似现象。根据Vectara 团队的测试，OpenAI的推理模型 GPT o1 相比其通用模型 GPT 4o ，呈现出更高的幻觉率。

这一现象表明，尽管 DeepSeek R1 推理能力的增强，提升了模型在复杂任务中的表现，但同时也增加了生成胡编乱造、似是而非的内容的风险。

这，或许并非偶然。

据分析，DeepSeek R1 推理能力的增强，依赖于使用高质量的长思维链（CoT）数据训练。虽然这有助于模型在复杂任务中进行深入推理，但在处理简单任务时，过长的推理链可能更容易引入偏差。

如果你已经使用过DeepSeek R1，那么可以从其思维链输出中看到：即便面对一个简单的指令，R1也会不厌其烦地从不同角度理解和延伸。

这些简单任务的复杂化，可能会导致模型填充编造的内容，从而增加了“幻觉”问题。

其次，模型在训练过程中可能对模型的创造性给予了更多奖励。这种“创造性”在写作、创意类内容生成上展现独特的优势。但是，在对事实要求极高的任务中，模型容易“用力过度”，生成的内容反而偏离事实。

因此，我们并非在所有的场合，都应使用DeepSeek R1推理模型。例如，R1不适合用于生成摘要。在事实性要求高的任务中，可使用DeepSeek V3 通用模型，以减少“幻觉”问题的发生。

在企业级应用中，准确性是至关重要的。

无论是客户服务、决策支持还是数据分析，或者处理复杂的业务问题，企业都需要可靠、准确的信息。

DeepSeek R1 更严重的“幻觉”问题提醒我们，大模型虽然展现出越来越强大的理解、生成和推理能力，但在企业级应用中绝不能直接简单地使用。

企业需要一种能够结合自身知识体系的解决方案，以确保生成内容的准确性和可靠性。这也是为什么大模型检索增强生成（RAG）技术，已经成为企业级应用的主流。

RAG 技术的核心，在于结合企业本地知识库与大模型的能力。基于企业内部的知识库和数据库，大模型通过检索增强的方式，生成准确的回答，从而减少“幻觉”问题的产生。

现在，有多样化的方式使用 DeepSeek R1/V3 构建 RAG 系统。企业可以根据自身需求选择适合的方案，利用 DeepSeek 的推理能力和本地知识库的准确性，提升企业级应用的智能化水平。

其中，开源项目 ThinkRAG，提供了一套可在企业级环境部署的应用架构。

作为一个本地知识库大模型RAG系统，ThinkRAG 能够在笔记本电脑上运行，通过 Ollama 本地化部署 DeepSeek 等大模型，并将知识库数据保存在本地。

这一特点不仅解决了企业对数据安全的担忧，还通过本地化部署降低了对网络和外部资源的依赖。

https://github.com/wzdavid/ThinkRAG

大模型RAG系统，已在很多企业级应用场景，展现出强大的能力。

例如，企业员工上传内部的业务流程文档，形成企业的知识库。当员工在处理客户咨询时，只需输入问题，系统便能在几秒内从知识库中检索出相关文档，生成精准的回答，并给出参考资料。这种高效的知识检索和生成能力，不仅提高了员工的工作效率，还确保了对外沟通的准确性和专业性。

企业内部知识管理与培训，则是另一个应用场景。通过将企业的技术文档、培训资料和行业标准导入知识库，新员工可以通过简单的问答形式快速获取所需信息，加速了入职培训的效率。

我们知道，“企业级”通常也意味着：可本地化部署与可定制。 

像 ThinkRAG 这样的系统，不仅提供了技术框架，更是一个为企业量身定制的解决方案。系统支持多种大模型，用户可根据企业的具体需求选择合适的模型。例如，对于需要高效推理能力的场景，可以选择 DeepSeek R1。

高效的本地化部署能力也非常关键。

通过 Ollama 等工具，企业可以将大模型下载到本地运行，无需依赖外部网络。这种部署方式不仅提高了系统的安全性，还降低了运行成本，确保系统的稳定性和可用性。

随着AI技术迅猛发展，大模型检索增强生成（RAG）技术也在持续进化。

企业级多模态RAG系统，将能够处理文档、图像、视频等多种形式的非结构化数据，支持构建多模态知识库，实现多模态融合检索，从而生成包含图像、表格等丰富内容的回答或报告。

同时，基于知识图谱的自动构建，系统能进一步提升推理能力和回答的准确性。

引入智能体技术，系统能够处理更复杂的任务，如自动调用外部工具和数据源，与企业现有的OA、CRM、ERP等系统功能协同，从而完成复杂的企业级任务。

最后我想说，大模型的“幻觉”问题虽然带来了挑战，但也促使我们综合运用各种技术和组件，不断探索更优的解决方案。

凭借大模型的强大能力，构建本地知识库，通过高效的多模态知识检索与生成能力，我们可以为企业提供可靠、安全且高效的智能化解决方案。