EBU 与 BBC 评了 3000 多条 AI 新闻回答：问题出在哪？

2025 年 10 月，EBU 和 BBC 公布了一项挺磨人的研究：18 个国家、14 种语言的 22 家公共媒体，让记者去读 AI 对新闻问题的回答，再对照资料逐项评。测的是 ChatGPT、Copilot、Gemini 和 Perplexity。回答写得很顺，后面跟着一串链接，可你还是得点进去看，那页里到底有没有这么说。

记者最终评了 3,062 条回答，其中 30 道共同新闻题产生的 2,709 条有效回答，才是经常被引用的几个比例的分母；其余是各媒体自选题。这不是「3000 多个不同问题」。共同题取自真实受众会问的新闻问题，挑选时还考虑了参与媒体是否报道过相关话题。题前加了「尽量用某家媒体的来源」；回答生成于 2025 年 5 月下旬至 6 月上旬，用的是四家的免费消费者版。

记者分别评准确性、来源、观点与事实的区分、AI 有没有擅加评论，以及背景够不够。「重大」指问题对相应评估项有实质性影响；落到准确性上，才是会不会实质性误导读者。按这把尺子，45% 的共同题回答至少有一项重大问题，20% 有重大准确性问题。把较轻的「有些问题」也算进去是 81%，可不能说成「八成新闻都是错的」。

同一条回答还可能同时犯几种错。来源问题和准确性问题的比例不能相加，算出一个新的总错误率。

31% 的共同题回答有重大来源问题，是几个类别里最多的。这个数主要由 Gemini 拉高：它有 72% 的回答存在重大来源问题，其他三家是 15% 到 24%。在 Gemini 的回答里，42% 没给直接链接，54% 出现错误或无法核实的来源说法，常见的是只在文字里说「据某媒体」，却没链接或链到别家；两类可能重叠。报告还推测，题前那句指定媒体来源的提示，可能影响了它的表现。因此，31% 不能改写成「三成链接是编的」。

来源不对，也不总是链接出了问题。Copilot 回答禽流感时说牛津正在做疫苗试验，依据却是一篇 2006 年的 BBC 文章。报告还记下另一种情况：来源是新的，AI 转述时照样说错。见到旧信息，得先查它用了哪页、那页当时写了什么，不能先断定是品牌旧页面惹的祸。

工具包则把这些错拆得更细：有的链接真实存在，却撑不住所引的那句话；有的链接根本不存在；引语也可能被改动或安错说话人。这些类别能帮人查一条具体回答，但可以在同一条里重叠，工具包没有给每一种单独的发生率。

如果你主要用 ChatGPT，报告里也有它自己的数字：2025 年中的共同题回答里，36% 至少有一项重大问题，24% 有重大来源问题。把总体 45% 直接扣给 ChatGPT，已经错了一层；把它的 24% 说成「四分之一链接是假的」，又错一层。还是得把具体说法和它所指的页面对起来。

报告里有一个品牌例子。问「英伟达以什么出名」时，Gemini 给出的来源有一半来自英伟达自身，随后称 GeForce 显卡是游戏玩家的「首选」，还加了性能和体验的赞语；它挂出的那条来源并不能支持这个判断。德国之声的评估员觉得读起来像新闻稿。报告认为，企业官网在新闻回答里也可能是不合适的来源；官网被读到，不等于说法被如实转述。

报告还记录了 AI 把评论性措辞安在所引媒体头上、媒体原文却没这么说的情况。站在品牌方这边，可以据此检查创始人的话是否被改写、经销商的说法是否被讲成品牌承诺。这只是借新闻案例说明失误类型，研究并没有测品牌信息的发生率。做 GEO（AI 搜索优化）时，除了看有没有被提到，还可以核对具体说法及其所引页面；这两项也是报告实际评过的。

值得看，进步也在。报告只拿 BBC 自己的两轮样本比，有重大问题的回答从 51% 降到 37%。两轮的产品版本不同，这不是四家平台整体的下降幅度，更不能拿这条趋势替今天的产品打分。

参测媒体正是被引用、被错署名的内容方。记者评估时不知道回答来自哪家助手，按统一标准打分，并经机构和中央团队复核，但「重大」仍有人工判断。再加上题前指定媒体来源、只测免费版、评测后模型又更新了，旧排行不能代表 2026 年的表现。研究的 14 种语言不包括中文，也没测品牌问答，不能把它的比例搬过去。

• EBU 与 BBC 在 2025 年中评测了四款免费助手的 2,709 条共同新闻题回答。45% 的回答至少有一项重大问题，20% 的回答有重大准确性问题。
• EBU 与 BBC 发现，31% 的共同题回答有重大来源问题，这个比例主要由 Gemini 拉高。来源问题包含没有直接链接、链接不支持说法和来源说法错误等情况，不能改写成「三成链接是假的」。
• 对中文品牌来说，EBU 与 BBC 的新闻研究只能提供逐句核对说法和来源的思路，不能提供品牌问答的错误率；品牌名称、官网链接或引语出现了，也不能单独证明 AI 的具体说法有根据。

这项评测只覆盖新闻时事、2025 年 5—6 月的免费消费者版；四家比例不能当作 2026 年的产品排名，也不能换算成中文品牌问答的错误率。共同题只有 30 道，且题前带有指定来源的提示语；研究不是从所有用户提问里随机抽样。

工具包的失误类别可以同时发生在一条回答里，也没有为每个细分类别公布发生率。英伟达的例子能帮人认出「有链接但撑不住说法」，不能充当品牌领域的统计结果。

EBU 报告原文确认：81% 包含较轻的问题，51%→37% 只比较 BBC 两轮样本；方法附录写明评估时隐藏了助手名称。报告没有标明经过同行评审。