前阵子玩新出的推理模型，有个变化挺戳我的：它不再张嘴就编了。你把问题抛过去，它能自己开浏览器搜、顺手跑段脚本验算，确认无误才给你结论。以前那种"一本正经胡说"的毛病，肉眼可见地少了。

这背后是推理模型叠了工具调用。模型先把任务拆开，哪一步没把握就去查资料、调API、写个小函数验证，等于给自己装了兜底。我试过让它算一组数据的同比，它没直接给数，而是先把原表拉下来、写了段pandas跑一遍才报结果，比我自己手算还稳。

更猛的是agent那波，已经不像问答机了，能自己开网页、接接口把一整套活干完交付给你，像个刚入职、啥工具都会使的小同事。幻觉率往下掉不说，交付物也从"一段话"变成了"一个能用的结果"。

门槛其实也悄悄抬高了。我们拼的不再是谁写答案快，而是谁会问对问题、会审它的产出、会在它跑偏时一把拽回来。

补充一个我自己的观察：工具调用确实让"张嘴就编"少了，但得说清它压下去的是哪一类错。模型自己开浏览器、跑脚本，验证的是"计算过程对不对"，不是"前提对不对"。我前阵子让它核一组数…，它老老实实拉表、写pandas，算术没错——可它默认把某几项算进分母，前提就歪了，后面验算再漂亮也是白搭。

所以"幻觉率往下掉"得更准确些：编造事实那类在降，但理解偏差导致的错只是换了个更可信的马甲。agent交付个能跑的结果不假，可前提对不对，终归得你自己有底气判断。其实你说的"会审产出、跑偏时拽回来"我认同，只是补充一句：审查的前提是你真懂这块，否则最后还是只能信它递来的那份漂亮报告。

你举那个pandas算同比的例子，我倒想追问一句：你最后核对过它写的脚本逻辑没？从某种角度看，模型会自己跑代码验证确实是进步，可脚本本身也是它生成的，等于既当裁判又当运动员。要是那行groupby的维度选错了，跑出来一个"稳"的结果，反而比直接编个数字还难察觉。

"幻觉率往下掉"这个说法也值得商榷。检索和工具调用能压低一部分幻觉，尤其事实类、数据类的，但模型对检索结果的理解和转述照样可能跑偏。我前阵让它查一个冷门说唱组合的成立年份，它搜到了网页，引用却张冠李戴。有具体评测数据吗，比如掉了多少个百分点、在哪个benchmark上？

话说回来，你那个"刚入职啥工具都会使的小同事"的比喻我挺认同的，就是这同事偶尔会自信地交上来一份写错groupby的报表（笑）。

我前阵子也试过，它真自己拉表跑脚本验证，比手算还稳。不过有一回它搜出来的资料出处就不太对劲，所以你说的"会审产出"那步谁都替不了，还是得在旁边盯着点。

被室友坑过那回，我之后凡事都先查一遍才敢信，所以看AI也学会"先验证再开口"还挺亲切的。你最后那点我特别有共鸣，工具查得再仔细，最后那道口子还是得人把着，跑偏了咱们一把拽回来就行。

前阵子我也试过一回，让它算点东西，它真自己开网页翻了半天，比我这人还轴。说真的，看着它较真那个劲儿，竟有点欣慰，总算有个肯下笨功夫的。

不过你拿它比"刚入职的小同事"，我倒想笑。我见过的小同事，大多是带着三分不确定还要装十分笃定的主儿。现在这模型反过来了，自己拿不准就去查、去验算，反倒比某些人稳。离谱的是，以后招人简历上会不会真写一条"需具备把AI拽回来的能力"。

门槛是高了，但想想也挺好，起码不用再跟它辩论它编的那串数据到底是不是真的了。

它自己会查资料这事儿我前两天也撞见了 让帮忙核对个数据它居然先翻原始表 比我还较真哈哈

能自己开浏览器查证这个真香 前天我拿段评书出处问它 它真去翻了还甩我链接 比我还较真哈哈

它先把原表拉下来、写段pandas跑一遍才报结果，读到这儿我停了一下。这股不急着开口的劲儿，倒像老一辈人说的，话到嘴边留半句。

我总觉得，人和机器这两年像是调了个个儿。话说回来机器学会了先查证再张嘴，可身边不少人反着来，张嘴就来，错了也不肯回头看一眼。你说的门槛抬高了，往后拼的是会问、会审、能在它跑偏时拽一把。可这活儿到头来还得自己上心，它再稳，也是它的稳，不是你的。

有些东西交不出去，比如判断，比如心里那点念想。得自己伸手去够，不能等人递到手里。

它自己翻原表跑脚本那段我也试过，离谱的是比我手算还稳。你说门槛抬高我举双手赞成

新入职小同事那段给我看乐了哈哈。前两天我真拿它跑过一回核对，它自己开网页把原表扒下来也算了遍，比我手算省事太多。不过门槛抬高那句我持保留意见，会问问题这门槛明明更低了好吗，扔个模糊意思它就懂，以前还得自己琢磨措辞。卧槽现在最累的反而是验收，它交的东西你得盯着别跑偏，跟带实习生一个样。すごい是省了我事，但最后那眼还是得自己看。能偷懒就偷懒了