当前，人工智能大模型在信息生成、内容创作等领域已展现出惊人的能力。然而，对于模型在关键行业的应用，尤其是法律、金融、医疗等需要极高准确率的领域，如何标准化地评估其“事实准确性”成为一项亟待解决的难题。
近期，Google 的 FACTS 团队与数据科学平台 Kaggle 联手推出了 FACTS 基准测试套件，正是为了填补这一领域的空白。该套件不仅提供了一个严谨的评估框架，更能模拟真实业务场景下的潜在表现，为企业在部署 AI 时提供重要的参考依据。
图片素材来源说明：该图片为 AI 生成，来源于 AI 图像生成服务 Midjourney
FACTS 基准测试将“事实准确性”拆解为两个可操作的维度：一是“上下文事实性”（contextual factualness），衡量模型根据给定资料生成准确答案的能力；二是“世界知识事实性”（world knowledge factualness），考察模型从自身内部知识库或网络检索信息并保持准确性的表现。从初步结果来看，包括 Gemini 3 Pro、GPT-5 以及 Claude 4.5 Opus 在内的一众顶尖模型，在 FACTS 基准上的准确率均未能突破 70% 的大关，这无疑为 AI 在高精度场景下的落地敲响了警钟，也预示着模型在这方面仍有巨大的提升空间。
FACTS 基准测试的设计远不止于简单的问答。它包含四种不同的测试，旨在模拟开发者在实际生产环境中可能遇到的典型故障模式：参数基准（内部知识）、搜索基准（工具使用）、多模态基准（视觉理解）以及上下文基准。Google 已向公众开放了 3，513 个测试样本，而 Kaggle 则保留了部分私有数据，以防止开发者直接针对测试集进行模型“刷分”优化。
初步的测试数据揭示了一些有趣的现象。在整体得分上，Gemini 3 Pro 以 68.8% 的综合准确率暂时领先，紧随其后的是 Gemini 2.5 Pro（62.1%）和 OpenAI 的 GPT-5（61.8%）。值得关注的是，Gemini 3 Pro 在“搜索”基准上的表现尤为亮眼，达到了 83.8%，但在“参数”测试中则为 76.4%。这一差异暗示，在构建知识检索增强生成（RAG）系统时，企业若想大幅提升准确度，很有可能需要将大模型与外部的搜索工具或向量数据库进行有机结合。
然而，多模态能力的表现普遍不尽如人意。即使是领先的 Gemini 2.5 Pro，在多模态基准上的准确率也仅为 46.9%。这一数据明确地指向了一个事实：当前的多模态 AI 在无监督数据提取方面仍显稚嫩。因此，对于希望在产品开发中集成多模态能力的开发者而言，审慎评估和使用这些模型至关重要。
核心洞察：
🌟 整体准确性未超 70%，表明大模型事实性提升空间巨大，尤其在高可靠性场景。
🔍 Gemini 3 Pro 在搜索能力上表现突出，但内部知识（参数）的准确度仍待强化，提示 RAG 系统需与外部工具协同。
⚠️ 多模态 AI 在数据提取方面成熟度不足，企业在产品落地前需审慎考量，规避潜在风险。
