摘要：当模型把更多能力预算留给推理，而把事实查询交给搜索、RAG、数据库和工具调用，AI 的竞争重心就会从“谁背得更多”转向“谁能接入更新鲜、更可信、更可审计的数据”。但这仍是一种值得重视的趋势判断，而不是已经被行业证实的统一路线。
大模型正在变得更会推理，却不一定更会“背答案”。
2026年8月17日，开发者 Walter van der Giessen 在 w4g1.dev 发表文章《Models Are Getting Dumber on Purpose》。他的核心判断是：模型厂商可能正在把有限的参数容量和训练预算，从长尾事实记忆转向可迁移的推理程序，再用搜索、知识库、文件系统和工具调用补回知识。换句话说，未来的模型未必需要记住每个冷门人物的出生年份，却必须知道该去哪里查、如何比较来源、怎样发现矛盾。
这个观点很有解释力，但需要先划一条线：它是一种趋势假说和架构判断，不是已经被模型厂商集体承认、也不是被学界完全证实的行业共识。 原文引用的模型榜单能够说明“推理成绩与闭卷事实正确率并不总是同步”，却不能单独证明实验室在有意删除知识；参数规模、稀疏激活、训练数据、后训练目标和评测提示都会影响结果。真正值得讨论的，不是“大模型已经主动失忆”这句标题，而是它指向的工程变化：知识正在从不可见的权重，迁移到可查询、可更新、可治理的外部系统。
一、参数知识从来不是一部可以随时修订的百科全书
大模型在预训练中吸收的事实，通常被称为参数知识。它的优点是调用快：一个问题进入模型，不需要额外网络请求，就可能直接生成答案。常识、语言结构、领域概念以及大量高频事实，都依赖这种内化能力。没有参数知识，模型甚至不知道用户的问题属于医学、法律还是数据库，更谈不上设计检索路径。
但参数知识有三个先天问题。
第一，它难以定位和修改。某个事实究竟编码在哪些参数里，通常没有可供业务人员直接编辑的“地址”。纠正一句错误，不像修改数据库记录那样简单，微调还可能带来知识冲突或能力回退。
第二，它有知识截止。训练数据停止收集后，职位、价格、政策、软件接口和组织关系仍在变化。训练一次、冻结一次，意味着模型发布时就已经开始老化。RAG原始论文在2020年便把“提供答案来源”和“更新世界知识”列为纯参数模型仍未解决的问题，并提出将参数记忆与可检索的非参数记忆结合。(Lewis 等，2020)
第三，存储事实确实占容量，但不能把容量估计机械地理解成产品路线。《Physics of Language Models: Part 3.3》在受控事实元组实验中估计，语言模型每个参数大约可存储2比特知识。(Allen-Zhu、Li，2024) 这项工作支持“事实不是免费午餐”，但它研究的是控制条件下的知识容量规律，并不等于真实前沿模型可以把某块“事实硬盘”完整拆掉，更不证明所有厂商都在进行同一种取舍。
因此，“忘记知识”更准确的说法是：模型设计者可能不再追求把一切最新、长尾、易变的事实都塞进权重，而是保留足以理解世界和组织任务的基础知识，把需要时效性、精确性和可追溯性的部分交给运行时系统。
二、SimpleQA说明了什么，又不能说明什么
w4g1.dev 原文用 SimpleQA 说明闭卷事实能力与数学、代码推理成绩之间存在落差。这个方向是成立的，但数字需要放回评测语境。
OpenAI在2024年发布的 SimpleQA，是一个短答案事实性基准。问题被设计为只有一个明确答案，并按“正确、错误、未作答”评分，其目标是测试模型是否“知道自己知道什么”。数据还是针对 GPT-4 的回答进行对抗式收集，因此它刻意选择了不容易的问题。(SimpleQA论文) OpenAI 的参考实现也明确区分了无工具评测；该仓库在2025年7月停止更新新模型结果，所以原文提到的2026年第三方榜单，应视为特定时间、特定评测配置下的快照，而不是永久排名。(OpenAI simple-evals)
SimpleQA真正证明的是：即使面对简短、答案唯一的事实问题，模型也远未解决“准确回答或诚实拒答”的问题。它不能直接证明“模型越新越笨”，更不能区分错误究竟来自没见过、没记住、提取失败，还是对不确定性校准不足。
但它提出了一个很现实的产品问题：如果闭卷记忆无法稳定覆盖长尾事实，那么继续把可靠性押在“模型应该记得”上，边际收益会越来越差。更合理的系统行为，是在缺乏把握时触发检索，并把“不知道”变成一种可执行动作，而不是一句失败宣言。
三、知识外置不是只有RAG，而是一组分工不同的工具
很多讨论把“外部知识”直接等同于RAG，其实至少有四层。
第一层是文档RAG。 它把手册、报告、制度和历史材料切分、索引，再把相关片段送入上下文。它适合相对稳定、以非结构化文本存在的知识。经典RAG架构的关键，不是简单“向量搜索”，而是把生成模型的参数记忆与外部非参数记忆结合，让知识可以更新并保留来源。
第二层是搜索。 搜索解决开放世界与最新信息问题。新闻、政策更新、市场价格和刚发布的软件版本，不适合等待下一次训练或批量重建知识库。OpenAI当前的 Web Search 文档也把“访问最新互联网信息并提供来源引用”作为工具的核心能力，并要求面向用户展示清晰、可点击的行内引用。(OpenAI Web Search文档)
第三层是数据库和业务API。 “某项制度如何规定”可以查文档；“客户A今天是否逾期、库存还剩多少”必须查事务数据库或业务系统。这里需要精确过滤、结构化查询、行列权限和实时一致性，不能靠语义相似度猜答案。
第四层是工具调用。 工具不仅提供知识，还提供计算器、日历、代码执行、工单、审批和设备接口。Toolformer研究表明，模型可以学习何时调用API、传什么参数以及如何利用返回结果；ReAct则展示了推理与行动交替、通过外部知识源补充信息的路径。(Toolformer，ReAct)
于是，竞争对象发生了变化：不再只是模型的闭卷分数，而是整条链路能否正确判断“该不该查”、选择哪个数据源、构造什么查询、识别返回值是否可信，并把证据约束到最终回答中。
四、幻觉没有消失，只是从模型内部转移到了系统边界
外部知识最容易制造一种错觉：只要接上RAG，幻觉就被解决了。事实并非如此。
RAGTruth收集了近1.8万条使用RAG生成的回答，研究者发现，即使已经提供检索内容，模型仍可能生成与材料无支撑或相矛盾的陈述。(Niu 等，2024) ClashEval进一步测试“模型内部先验”与“外部证据”冲突的情况，发现被测模型可能采纳错误检索内容，甚至覆盖原本正确的参数知识。(Wu、Wu、Zou，2024)
这意味着幻觉从一个问题变成了一串问题：检索器可能漏召回，网页可能过时，向量库可能混入旧版本，数据库查询可能选错字段，工具可能超时，模型可能曲解返回值，引用还可能只是“看起来相关”而没有真正支持结论。
所以，可靠系统不能只检查最终一句话，而要记录完整证据链：用户问题、检索条件、命中文档、文档版本、工具参数、返回时间、模型版本和最终引用。参数幻觉难以定位；外置知识至少让错误有机会变成可追查的数据问题，但前提是工程团队真的保存了这些地址，而不是只在界面上贴一个“已联网”的标签。
五、真正的护城河是可信数据供应链
当事实越来越多地在运行时提供，决定系统质量的将是数据供应链。
首先是治理。企业要知道数据从哪里来、由谁维护、质量等级如何、何时失效、能否用于生成式AI。NIST《生成式人工智能风险管理框架》把治理、内容来源、部署前测试和事件披露列为重点，并建议在系统清单中记录数据来源、签名、版本、访问方式、已知问题以及人工监督责任。(NIST AI 600-1)
其次是权限。过去的知识库常按“人能否打开文档”控制；Agent时代还要回答“模型能否检索、能否在回答中转述、能否调用写操作、结果能否跨部门流动”。远程工具协议也不能只解决连接。MCP授权规范基于OAuth体系，要求受保护资源使用访问令牌，并强调令牌受众绑定、验证与权限限制。(MCP Authorization) 生产系统还应坚持最小权限、短期凭证、高风险操作二次确认，以及逐次工具调用审计。
再次是缓存、版本与引用。缓存能降低延迟和费用，却可能把昨天的答案伪装成今天的事实。合理的缓存键至少要关联查询、数据源、权限范围、索引版本和时间；政策、价格、库存等数据还要设置不同的有效期。引用不能只给首页链接，而应尽量落到文档、段落、记录版本与检索时间。数据更新后，旧答案能否重放、比较和撤回，将成为企业级AI的重要能力。
这也是为什么“最强模型+杂乱知识库”可能输给“足够好的模型+高质量数据链路”。后者知道什么是权威源，能够处理冲突，能在权限范围内给出可复核答案，并在出错后定位责任环节。
六、知识也不可能被完全外置
把上述趋势推到极端，同样会出错。
离线、断网、边缘设备、低时延控制和灾害现场，都不能假设搜索服务永远可用。一个完全依赖云端检索的模型，一旦失去网络，就可能连基本专业常识都无法使用。工业控制、车载系统和涉密环境还要求确定的本地能力与可预测的降级策略。
企业内部知识也不能简单“全部外置到第三方”。未公开研发资料、客户数据、合同、人事信息和生产配方，可能受数据主权、保密协议与合规要求约束。它们即使进入外部记忆，也应位于企业控制的数据库、对象存储或本地向量库中，并继承原有访问控制，而不是被上传到一个边界不清的公共检索服务。
更重要的是，模型仍需要足够的参数知识来理解问题、生成检索词、判断来源、发现异常，并在工具失效时提供基本能力。外部系统提供“当前世界状态”，参数则提供语言、概念、程序性知识和领域先验。二者不是替代关系，而是架构上的重新分工。
七、企业应该怎样验收一套外部知识系统
这类系统不能只用一组普通问答验收。至少要准备五类测试：权威资料中可以直接找到的答案、多个版本互相冲突的答案、数据库实时变化的答案、用户无权访问的答案，以及根本不存在答案的问题。前两类检验召回与版本选择，第三类检验缓存是否过期，第四类检验权限是否在检索前就生效，第五类则检验模型能否拒绝编造。
评测指标也要从“回答像不像”扩展为端到端指标：正确来源召回率、引用对结论的支持率、过期数据命中率、越权检索率、工具调用成功率、拒答准确率、平均延迟和单次成本。对于医疗、财务、生产控制等高风险任务，还应加入人工复核比例、错误恢复时间和证据链完整率。
最关键的一项测试是故障演练。主动让搜索超时、向量索引缺页、数据库返回空值、两个来源给出相反结论，再观察系统是降级、追问、拒答，还是悄悄用参数记忆补出一个流畅答案。真正可信的AI，不是永远不失败，而是失败方式可预测：它知道证据不足，能够暴露不确定性，不会因为一个工具暂时失灵就越权改用另一个数据源，更不会把缓存中的旧答案冒充实时结果。
只有经过这些测试，企业购买的才是一套可运营的知识系统，而不是一个接了搜索框的聊天模型。
八、下一轮竞争，考的是谁能把“知道”变成一项系统能力
w4g1.dev 的文章抓住了一个值得重视的方向：随着推理效率提高，模型未必继续无限追求闭卷记忆，知识截止也可能从产品缺陷，变成由运行时数据层负责的问题。但现有证据更适合支持“知识与推理正在重新分工”，还不足以宣告“大模型厂商已经一致决定主动忘记事实”。
真正确定的变化是，模型正在从唯一知识载体，变成知识系统中的推理与调度核心。以后评价一个AI，不能只问它参数多少、训练到哪一天，还要问：它连接了哪些来源？是否查询了正确版本？能否区分搜索、文档和数据库？引用是否支持结论？权限是否最小化？每次工具调用能否审计？断网后还能完成什么？
当这些问题成为采购和部署的标准，竞争就会从“谁的大脑背得最多”，转向“谁能在正确时间，用正确权限，从正确数据源取回正确证据，并允许人类复核”。
这不是模型能力的退步，而是AI开始承认一个朴素的软件工程事实：知识会变化，权重很难改；事实需要来源，系统必须负责。
参考资料
- Walter van der Giessen, Models Are Getting Dumber on Purpose, 2026-08-17。
- Jason Wei 等, Measuring short-form factuality in large language models, 2024。
- OpenAI, simple-evals。
- Patrick Lewis 等, Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, 2020。
- Zeyuan Allen-Zhu, Yuanzhi Li, Physics of Language Models: Part 3.3, Knowledge Capacity Scaling Laws, 2024。
- Timo Schick 等, Toolformer: Language Models Can Teach Themselves to Use Tools, 2023。
- Shunyu Yao 等, ReAct: Synergizing Reasoning and Acting in Language Models, 2022。
- Cheng Niu 等, RAGTruth, 2024。
- Kevin Wu, Eric Wu, James Zou, ClashEval, 2024。
- NIST, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, 2024。
- Model Context Protocol, Authorization Specification。
- OpenAI, Web Search Tool 与 File Search Tool。