女性角色

>>2965669
焦皮哈密瓜

>>2965669
這是高程分色圖吧 看表面也不太像是月球
大概是其他星體或是模擬的

>>2965669

開了色調強化而已
不然其實也是灰糊糊一坨
不過那個大坑確實聽酷的，幫地球擋了一發大滅絕啊

給你看的部分是美人，遮起來的部分是歷戰創傷，我挺喜歡

>>2965669
想起伊藤潤二

>>2965669
月球背面朝著外宇宙
所以受到的隕石撞擊應該比正面多才會這樣

>>2965669
這不就色調強化而已？
再說了，月背照片1959年就有了吧
你沒看過？

>>2965756
另外，如上面幾位所說
你貼的不像月球背面

>>2965758
不知道有沒有大比例月球模型

看上去手感應該滿酥麻的

>>2965758
要是這張是1959的
現在都2026了
這67年之中月球面貌有改變也不奇怪吧？

>>2965763
問了Ai，那張圖不是常見的正月面跟正月背，而是西側月背，平成不會用這視角看，所以一時間很多人認不出來
至於你說地貌改變...
有天文常識的都知道要造成這種改變，地球大概會先恐慌個幾年，世界末日級的恐慌程度

NASA官網有一張沒上色的版本

>>2965684
>>2965746
>>2965748
各位有聽過俠客行嗎
紀元前40億年(ry

>>2965764
>問了Ai
這四個字的垃圾程度就跟「我爸說／我媽說」一樣

不，你用 "你爸媽說" 還好一點點...
AI？只要你敢給提示詞，AI就什麼懶覺都能吸、什麼覽趴都能捧

>>2965770
屁啦!?

>>2965776
真沒想到我還得教人怎麼用Ai

首先你先問這張照片是不是真的月背，拿去問ai後，你可以得到東方海這個關鍵字

>>2965779
你拿著東方海這關鍵字後去搜尋，是不是真的是月背
會得到這些照片

>>2965776
你甚至可以找到未渲染前的照片

不管你是不懂Ai的屁孩或是跟不上時代的老頭
懂了嗎？

漸漸的人們慢慢被分類成懂得熟練運用AI和只把AI當概念討論的兩種人

我真的也跟不上時代了

我用的prompt

用我寫的system prompt得到的回覆

我剛才試了一下，一般app的gpt.claude.gemini是得不到我這麼詳細的回覆的

月之女神的屁眼

>>2965796
月 亮 派 對

>>2965669
可比蓮子圖

>>2965792
天啊，你怎麼這麼會使用AI
棒島民，棒

>>2965790
Ai你當比較聰明的google用就可以了
只是你要知道他會幻覺，所以要常備紅旗觀點(質疑他
我寫的System prompt 也是降幻覺用的

>>2965796
女神的屁眼弱嗎

>>2965808
> 常備紅旗觀點
問問題的時候
附帶一句為什麼XX看起來不OO？

>>2965808
你很會用AI 那很棒
只差讓人知道你很會用AI

就像前面提的例子「我問AI」=「我爸/媽說」
通常都是一般非專業的父母
沒有人會預想到這爸媽是天文學家 所以他說的有可信度

>>2965813
hen強

>>2965669
蓮子圖?

>>2965808
>我寫的System prompt 也是降幻覺用的
沒有實驗數據八成都是安慰劑

>>2965669
背後一堆傷疤的美女

>>2965808
降幻覺wwwww
你這老害還來啊

>>2965835
>>2965828
沒有用System prompt的預設ai給的回答

>>2965835
>>2965828
跟上面有用System prompt的比知道差別在哪了嗎？

>>2965790
所謂熟練運用AI也得看
某樓已經把LLM帶來的幻覺給當成唯一事實在吸了

AI就只簡單告訴他一句角度不一樣
他就連發一堆文章，把「月球背面有改變」給當成異端在排斥

...那句話本都還一堆模糊空間
比如說是否指這幾十年來又多了幾個小坑洞
確實，有多洞就是"有改變"阿

還是真的指面目全非，完全要重畫地圖般改變？

他不管，反正他引以自豪的LLM AI正吸他喇趴吸得超大聲

>>2965828
>>2965835
>>2965849
一樣是Gemini，但是用上system prompt，答案馬上變了
不要寫不出可以降幻覺的System prompt，就以為世界上沒有這種東西好嗎ww

所以我們一直在被月亮媽媽保護著嗎？

>>2965851
真敏感，這樣就高潮了，嘻嘻

>>2965849
從2009年開始
Nasa發射lro檢測月球表面變化至今
新增最大的坑只有22公尺，遠低於肉眼可見標準的100公里
就算把月球照片放大到A4大小，那個坑也得至少6公里才注意得到(0.5mm)

https://science.nasa.gov/resource/new-craters-on-the-moon/

https://www.space.com/astronomy/moon/scientists-just-discovered-a-new-crater-on-the-moon-they-call-it-a-freckle

老實說你有時間說屁話，不如去求證到底新增多少坑洞，那些坑洞又多大，肉眼看不看得到，而不是在那說屁話

>>2965849
被打臉的感覺如何？

>>2965853
一般會說保護地球的是木星和土星 他們兩個跩走大部分進入太陽系的彗星

>>2965851
說個笑話

降幻覺

>>2965868
>>2965851
>>2965837
K島老害是不是成指數級增長？
都給了從燒焦平底鍋到準確說出那是最新繞月任務的照片的對比
還是有人不承認可以降幻覺，到底w

>>阿提米絲計畫公開了拍攝回來的月球背面照片
我不確定島民是真蠢還是裝傻
附圖是2015年的日本YAHOO問答

>>2965837
>>2965839
>>2965844
>>2965851
"因為我加了這個prompt答案換了所以是正確"
這甚麼近親相姦論證
請再拿出根據好不好

>>2965873
>>還是有人不承認可以降幻覺，到底w
請拿出數據
而不是"因為我認為可以降"當根據

不知道這種有出處的相片只要貼出出處就可以知道真相的串 是在吵些什麼AI不AI的
原PO圖是2008年日本國土地理院和JAXA合作推出的互動式立體地圖「赤色立体地図」
是由JAXA的月球探測衛星かぐや所取得的月球高度資理來製作的立體地圖
這玩意甚至老到要WIN7的機才可以跑的動

https://www.gsi.go.jp/chirijoho/chirijoho41003.html

總的來說
Q:是不是阿提米絲計畫公開的照片
A:不是 是日本人在2008年製作的3D渲染
Q:是不是月球背面
A:是 在圖中赫茨普龍撞擊坑和東方海(名字是東方實際上卻在最西面)清晰可見
Q:為什麼和月球背面照片不一樣
A:角度不一樣
Q:為什麼月球是紅色的
A:因為這是赤色立体地図 你喜歡也可以弄一個青色立体地図 然後把月球畫成是藍色的

>>2965873
唉唷，你這老害還這麼開心，我真是心暖暖，嘻嘻

>>2965860
講更多屁話的人說這話還真是諷刺

>>2965898
沒，某個只要提到AI，降幻覺，老害，三大關鍵字就會出現的AI廚而已，前陣子就有了

>>2965834
感覺可以叫AI生圖

原來如此，今天又長一點常識
能夠讓AI改答案不等於做到系統性排查和多方驗證

但還是感到徬徨，覺得可以容易獲得更多答案的自己讓我覺得有點害怕...

>>2965923
你什麼時候有了現在你看到的跟AI找到的答案是對的的錯覺

>>2965866
是哪裡打到臉？

>>2965776
這是什麼教科書級別的老害w
你知道AI就像一面鏡子嗎?
只用會用來產生吸覽趴的垃圾是你的選擇

>>2965932
說的對
所以只是換個答案就信的你
是憑什麼說那是”降幻覺”而不是另一個鬼扯

>>2965938
好了啦 以為AI都是幻覺不可用而即將被時代淘汰的老害

>>2965944
降幻覺好厲害喔，你好棒棒

>>2965944
放心啦 除非你是苦力活 不然做啥都可能被AI淘汰

by Gemini

Q：為什麼有人會相信「反幻覺提示詞」有用？

A：這是一個非常有趣且切中要害的問題。在 AI 圈子裡，「反幻覺提示詞」（Anti-hallucination prompts）就像是一種心理安慰劑，有些人覺得它是靈丹妙藥，有些人則認為它是玄學。

人們之所以相信它有用，主要可以從**心理機制**、**模型運作原理**以及**提示工程的實際效果**這三個維度來分析：

---

### 1. 心理層面：對控制感的渴望
面對像 AI 這種「黑箱」模型，使用者往往會感到不確定性。
* **指令安慰劑：** 當我們在提示詞中加入「請務必準確」、「不要胡說八道」時，我們會感覺自己正在「掌控」AI。這與其說是在優化模型，不如說是在緩解使用者對錯誤資訊的焦慮。
* **擬人化偏誤：** 我們傾向於把 AI 當作人看待。既然叫一個學生「仔細檢查」能減少錯誤，那麼對 AI 說「不要產生幻覺」應該也有效吧？（但事實上，AI 並不理解什麼是「撒謊」）。

### 2. 技術層面：賦予模型「思考空間」
雖然直接命令「不要幻覺」效果有限，但某些特定的反幻覺指令確實能透過改變模型的**推理路徑**來減少錯誤：

| 提示詞類型 | 實際作用原理 | 效果等級 |
| :--- | :--- | :--- |
| **強烈警告型** (如：絕對不能出錯) | 幾乎無效，甚至可能增加模型的負擔。 | ⭐ |
| **否定路徑型** (如：不知道就說不知道) | 有效。它降低了模型為了取悅使用者而「強行編造」的機率。 | ⭐⭐⭐ |
| **邏輯約束型** (如：請引用原文、逐步思考) | **非常有效**。這就是所謂的 Chain-of-Thought (CoT)，迫使模型將複雜問題拆解，從而大幅降低邏輯幻覺。 | ⭐⭐⭐⭐⭐ |

### 3. 幸存者偏差與隨機性
AI 的輸出具有隨機性（Temperature）。
* 使用者可能在沒加提示詞時遇到了幻覺，加上「反幻覺提示詞」後隨機生成了一個正確答案，便會主觀地將功勞歸於那段提示詞。這種**偶然的成功**強化了「提示詞有用」的信念。

---

### 4. 殘酷的現實：幻覺是 LLM 的特性
從底層架構來看，大型語言模型（LLM）本質上是**機率預測機器**。
> 幻覺不是一個可以透過開關「關閉」的錯誤，它是模型在嘗試預測下一個字時，機率分布偏移的結果。

### 總結
有人相信它有用，是因為：
1. **部分有效：** 像「不知道就說不知道」或「引用來源」這類指令，確實能減少模型亂編的動機。
2. **社交傳播：** 網路上流傳著大量的「黃金提示詞模板」，新手往往會照單全收。
3. **心靈寄託：** 在面對強大而不透明的技術時，咒語（Prompt）是人類唯一的武器。

說到底，最好的「反幻覺」手段不是咒語，而是 RAG（檢索增強生成）或提供足夠的背景參考資料。

大家都在討論AI幻覺
但我怎麼覺得這串真正凸顯出的是人類幻覺www

>>2965977
拿AI幻覺問題去問AI可以說是最能堵嘴的方式了XDD

上面用AI的都沒給出比baUg7hOA給出更詳細的答案
在吵AI幻覺怎麼改善之前要改善的是用的人搜尋能力吧
與其拿開串圖問AI是不是月球背面
以圖搜圖(不管是傳統還是AI)再去看來源不是更好?

說真的就算AI思考過程是對的，但AI本身參考到的資料是否正確就已經不清楚了
尤其還是月球背面這種除了能上太空的人以外沒人能親眼確認的資料
就算AI在強如果網路上能參考到的資料本身就是錯的那也沒意義

>>2965895
這個答案正不正確你沒能力去查證？
K島老害怎麼越來越多了ww

>>2965973
>說到底，最好的「反幻覺」手段不是咒語，而是 RAG（檢索增強生成）或提供足夠的背景參考資料。
我公司之前有一小組人在搞RAG，但後來聽他們抱怨說幻覺就是消不掉
最近Claude Code原始碼洩漏的新聞出來，也有看過有人分析他們家好像都不用RAG

有種你的魔法不夠強大還是轟不贏幻覺魔法的感覺

>>2966043
因為Rag不泛用啊
什麼是Rag？就是把所有答案都收集起來，比如說法律相關，醫學相關知識都放到資料庫，然後建立索引讓ai去找
這本就是只有專業領域在用的東西，而且效果極佳

如果做Rag還會出現幻覺，那只代表你的資料庫＋索引沒有建立好

>>2965873
降幻覺能幹嘛
這又不是穿防摔衣摔倒能減少傷害
便當裡有一隻蟑螂或半隻蟑螂沒有差別,反正都不會去吃

>>2965898
>東方海(名字是東方實際上卻在最西面)
這是因為當時用望遠鏡觀測的結果,上下左右會顛倒,所以雖然命名仔知道那是西方,但是為了方便才仍叫做東方海

說到AI
已經好一陣子沒看見易經分享他理想的AI女友了

>>2965973
純prompt,同時使用適當的負面約束及正引導,對降幻覺有幫助嗎

答案是**肯定的**。在純 Prompt（提示詞）的層面，巧妙結合「正向引導」與「負面約束」是目前降低大語言模型（LLM）幻覺最有效、成本也最低的核心策略之一。
單靠正向引導，模型可能會為了「極力滿足你的要求」而過度發散甚至腦補；單靠負面約束，模型又容易變得過度保守，導致動不動就拒絕回答。將兩者結合，能為模型精準劃定一個**「安全的作答邊界」**。
以下為你拆解這兩種策略如何互相配合來降低幻覺：
### 1. 負面約束 (Negative Constraints)：封堵發散空間
負面約束的主要目的是**限制模型的想像力**，明確告訴它「什麼不能做」。這能有效阻斷模型在遇到知識盲區時自動填補錯誤資訊的本能。
* **阻斷猜測：** 明確加入「如果你不知道答案，或者文本中沒有提及，請直接回答『我不知道』，**絕對不要編造或猜測**。」這句話是降幻覺的萬用金句。
* **限制知識來源：** 如果你有提供參考資料，可以加上「**僅允許**使用引號內的文本來回答，**嚴禁**使用你的內部知識庫或訓練數據。」
* **格式與邏輯約束：** 「不要輸出任何與問題無關的推論」、「不要包含免責聲明」。
### 2. 正向引導 (Positive Guidance)：建立事實錨點
正向引導則是告訴模型「應該怎麼做」，透過提供充足的上下文和邏輯路徑，讓模型有憑有據地生成內容。
* **提供清晰的 Context（上下文）：** 模型產生幻覺最大的原因就是「資訊不足」。在 Prompt 中直接餵給它事實依據，是降低幻覺的根本作法。
* **思維鏈引導 (Chain of Thought, CoT)：** 加入「請一步一步進行邏輯推導（Think step by step），並列出你得出結論的依據。」讓模型在給出最終答案前先梳理邏輯，能大幅降低因跳躍性思考導致的幻覺。
* **提供具體範例 (Few-shot Prompting)：** 給予一兩個正確的「問答範例」，特別是包含「因資訊不足而回答不知道」的範例。模型是一種擅長模式匹配的工具，看到範例後，它會更嚴格地遵守你的規則。
### 💡 綜合應用範例 (Best Practice)
一個高抗幻覺的 Prompt 結構通常會長這樣：
> **【角色與正向引導】**
> 你是一位嚴謹的數據分析師。請根據下方 [參考資料] 的內容，總結 2023 年台灣電動車的銷量成長率。
> **【思維鏈引導】**
> 請先提取資料中相關的數據，然後一步步進行計算，最後給出明確的百分比。
> **【負面約束】**
> 1. 只能使用 [參考資料] 中提供的數據，嚴禁使用外部知識。
> 2. 如果 [參考資料] 中沒有提及 2023 年的數據，請直接回答「資料不足，無法計算」，不要試圖用其他年份推算或猜測。
> [參考資料]：...
>
### ⚠️ 坦誠的局限性
雖然結合正負向 Prompt 能**大幅降低**幻覺（通常能解決 70%~80% 的常規問題），但必須理解，純 Prompt 工程**無法 100% 根除幻覺**。
大型語言模型的底層邏輯依然是「文字接龍（預測下一個詞彙）」，如果任務過於複雜、提供的上下文自相矛盾，或者遇到極度冷門的長尾知識，模型依然可能「一本正經地胡說八道」。對於要求絕對精準的場景（如醫療、法律），通常還需要搭配 RAG（檢索增強生成）技術或工作流程上的交叉驗證。

>>2965973
降幻覺還可以再細分下去，但是一般人的純prompt用正引導跟負面約束就可以了

至於System prompt怎麼寫，那你要去多做幾份deepsearch找論文，你才知道比例怎麼抓