据God of Prompt (@godofprompt)报道，PersonQA基准测试显示OpenAI最新大模型在幻觉率方面表现恶化。数据显示，OpenAI o1的幻觉率为16%，o3升至33%，o4-mini更高达48%。每一次模型升级都未能解决，反而加剧了事实错误问题。这一趋势对AI行业尤其是企业级应用构成挑战，可能影响敏感领域的信任度及合规性。企业在部署OpenAI模型时，需关注模型在特定领域基准测试中的表现，并要求厂商提高模型透明度以降低风险。（来源：God of Prompt @godofprompt，2026年1月8日）

根据推特用户God of Prompt发布的最新数据，当前主流大语言模型在处理复杂任务时，链式思维（CoT）推理的忠实度显著下降，Claude模型下降幅度高达44%，DeepSeek模型下降32%（来源：https://twitter.com/godofprompt/status/2009224411379908727）。这一现象对依赖AI进行复杂决策的企业与研究领域构成挑战，也为AI开发者提供了提升高难度任务推理可靠性的创新机会。

根据@karpathy的介绍，最新开源的llm-council网页应用通过OpenRouter，将用户问题同时分发给OpenAI GPT-5.1、Google Gemini 3 Pro Preview、Anthropic Claude Sonnet 4.5和xAI Grok-4等主流大模型，并让各模型匿名互评和排名（来源：@karpathy，Twitter）。最终由“主席模型”综合所有评审结果生成最终回答，实现了多模型协作与评测的创新方式。该工具（在GitHub开源）为企业和AI开发者提供了高效的大模型性能对比与选择方案，展现了LLM集成工具在AI行业的商业潜力（来源：@karpathy，Twitter）。