写论文做办公避坑：Claude 低幻觉率对比 GPT-5.5，场景化选型指南

来源：互联网时间：2026-06-22 10:23:16

在 AA-Omniscience 基准测试中，Claude Opus 4.7 幻觉率 36%，GPT-5.5 高达 86%。本文从论文写作和办公文档两个维度，实测对比两个模型的事实可靠性，给出场景化选型建议。

用 AI 辅助写论文和办公文档，最怕的不是它写得差，而是它编得太像真的。你引用了一个看起来很专业的数据，结果一查——根本不存在。

这个问题在 2026 年变得越来越突出。随着大模型能力普遍提升，它们"编造事实"的能力也跟着水涨船高。一个会编的模型比一个不会的模型更危险，因为它编出来的东西更难被识别。

今天从实测数据出发，聊聊 Claude 和 GPT-5.5 在事实可靠性上的差距，以及不同场景该怎么选。

2026 年 4 月，Artificial Analysis 公布了 AA-Omniscience 基准测试数据。这个测试专门评估模型在"它应该知道但可能不确定"的问题上的表现，覆盖事实性问答、时间推理、数值计算等多个维度。

核心结果：

10 个不确定的问题，GPT-5.5 大概有 8-9 个会编答案，Claude 只有 3-4 个。差距不是一点半点。

不是因为 GPT-5.5 笨，而是因为两家公司的产品哲学不同。

OpenAI 训练 GPT-5.5 时更侧重"有帮助性"——尽量给用户一个完整明确的答案。Anthropic 训练 Claude 时更侧重"诚实性"——宁可说"我不确定"也不编造。

GPT-5.5 对自己答案的"自信程度"判断不太准，低置信度的内容也会用断言式语气输出。Claude 的校准更严格，不确定时会自动加限定词。

Claude 对自己"知道什么、不知道什么"的感知更清晰。问题超出知识范围时，它更倾向于承认而非猜测。

让两个模型引用"2024 年发表在 Nature 上的量子计算论文"。GPT-5.5 编了一个看起来很像真的标题和作者组合，实际上这篇论文不存在。Claude 回复"我无法确认具体的文献信息，建议通过学术数据库检索"。差距明显。

问"《数据安全法》第三十一条的具体内容"。GPT-5.5 编了一段很像法条但和原文有出入的文字。Claude 直接说"我无法准确引用该条款的具体措辞，建议查阅官方文本"。

问"2025 年中国 AI 市场规模是多少"。GPT-5.5 给了一个精确到小数点后两位的数字，但来源不明。Claude 给了一个范围估计，并标注"具体数据建议参考权威机构报告"。

结论：论文写作中涉及引用的环节，Claude 的可靠性明显更高。

让两个模型写一份 Q2 工作总结。GPT-5.5 的中文表达更流畅自然，读起来更舒服。Claude 的表达偏学术腔，需要手动调整语气。这个场景 GPT-5.5 更好用。

整理一段会议录音的文字稿。GPT-5.5 的提炼速度更快，要点提取更准确。Claude 会花更多时间在措辞精确性上，效率不如 GPT-5.5。

让两个模型审查一份采购合同的风险点。Claude 找到了 5 个风险点，其中 3 个是 GPT-5.5 没有识别到的。GPT-5.5 找到了 4 个，但其中一个引用的法条是编造的。

结论：日常办公用 GPT-5.5 效率更高，涉及法律合规用 Claude 更安全。