数字（numbers）在 AI 领域的核心议题，是大型语言模型生成内容中数值信息的可靠性问题。模型在回答涉及统计、价格、日期等数值问题时容易“编造数字”（数字幻觉），即输出看似合理但无真实依据的数值，这也是当前企业落地 AI 应用时最常被质疑的风险点之一。
数字幻觉的近期进展
当前焦点与观察点
围绕 numbers 的讨论目前集中在三个方向。一是技术侧，如何通过检索增强（RAG）、工具调用和数值校验层，让模型引用真实数据而非凭参数“猜”出数字；二是产品侧，金融、医疗、法律等对数值敏感的行业正在推动 AI 输出的强制引用与来源标注；三是体验侧，即便数字准确，呈现方式（精度、单位、不确定性提示）也影响用户信任。
值得观察的是，数字幻觉治理正从学术论文走向大会演示和工程实践，说明社区已不再满足于“模型可能出错”的免责声明，而是要求可验证的机制。短期内，混合方案——模型负责理解与表达、外部工具负责计算与查证——预计仍将是主流做法。