# Hallucination > En hallucination är utdata från en språkmodell som är flytande, självsäker och felaktig: en påhittad källa, en funktion som inte finns i biblioteket, ett… Source: https://northerngo.com/sv/ordlista/hallucination/ Language: sv Updated: 2026-08-28 --- **En hallucination är utdata från en språkmodell som är flytande, självsäker och felaktig: en påhittad källa, en funktion som inte finns i biblioteket, ett rimligt datum för en händelse som aldrig inträffat. Det är ett normalt driftläge, inte ett feltillstånd.** ### Varför det uppstår över huvud taget En [språkmodell](/sv/ordlista/large-language-model/) tränas att producera text som är sannolik, och sannolik text är oftast sann text — men inte alltid, och modellen har ingen separat mekanism för att skilja de två åt. Det finns ingen faktatabell att slå i och ingen intern flagga som utlöses när kunskapen tar slut. Ombedd att ge en källa producerar modellen formen av en källa: rimliga författare, en tidskrift som låter äkta, ett volymnummer i rätt intervall. Därför samlas hallucinationer på förutsägbara ställen: - **Detaljer som är sällsynta i träningsdatan:** exakta källhänvisningar, statistik, datum, rättsfall, telefonnummer. - **Bibliotek och API:er**, särskilt allt som ändrats efter träningens brytdatum. Påhittade metodnamn är extremt vanliga. - **Frågor med en falsk premiss.** Fråga varför något hände och modellen förklarar oftast varför, i stället för att säga att det inte hände. - **Allt strax utanför kanten av det den vet**, där rätt svar hade varit "jag är osäker". ### Vad du bör se upp med **Självsäkerhet bär ingen information om korrekthet.** Tonen i ett felaktigt svar är identisk med tonen i ett riktigt, eftersom tonen kommer från stilen och inte från någon kontroll. Läsare kalibrerar på självsäkerhet och blir därför systematiskt vilseledda. Två missförstånd till är värda att nämna. **Att sätta temperaturen till noll tar inte bort hallucinationer** — det tar bort variationen, så du får samma felaktiga svar varje gång, vilket kan vara värre eftersom det ser stabilt ut. Och **[hämtning av källor](/sv/ordlista/retrieval-augmented-generation/) minskar men eliminerar det inte**: att grunda modellen i verkliga dokument tar bort en stor klass av påhittade fakta, men modellen kan ändå läsa en källa fel, blanda två av dem eller svara tvärsäkert när hämtningen inte gav något relevant. Vad som faktiskt hjälper är strukturellt: ge modellen källmaterialet i stället för att lita på minnet, be den citera det stycke den använt så att ett påstående går att kontrollera, verifiera allt som går att verifiera maskinellt — kör koden, testa länken, kontrollera siffran — och ge den uttryckligt tillstånd att svara "det står inte i underlaget". Utforma sedan gränssnittet så att ett fel svar blir billigt. Utgå från att en viss andel blir fel och gör den andelen synlig och rättningsbar, i stället för att försöka nå noll. --- NorthernGo är en AI-driven plattform för att bygga produktionsklara webbappar utan kod. Lokal AI-generering via WebGPU är obegränsad och gratis, och du äger all genererad källkod. https://northerngo.com/