一句话定义：SelfCheckGPT 是一种让模型自己检查自己有没有编造内容的方法。做法是让同一个模型对同一个问题采样多次，再比较这几次答案是否一致；答案越不一致，就越可能是在编。
大模型编造内容（hallucination，幻觉）时，往往语气很肯定。麻烦的是，从单次回答里看不出它什么时候在编。SelfCheckGPT 的思路像法庭上的交叉询问：不要求对方每次都说得一样，但要求前后不矛盾。具体做法是：把同一个问题问模型 N 次（把采样温度调高一点，让每次回答有变化），再把答案拆成一句句话，逐句看这一句在别的几次回答里有没有对应、是否互相矛盾。打分方式有好几种：词面重叠、句子向量相似度（如 AI 词典：BERTScore">BERTScore）、用自然语言推理（NLI，Natural Language Inference）判断两句是否互相蕴含，或者再请一个模型当裁判。这一步得到的“不一致分数”越高，这句越可疑。
打个比方：你问一个朋友“上周三那顿饭在哪儿吃的”，他真记得的话，问三遍基本说的都是同一家店；如果他当时不在场、只是随口应付你，每次细节都不一样——先是“街角那家”，再问变成“好像是个火锅”，第三次又说“记不清了但我记得是七点”。SelfCheckGPT 抓的就是这种“每次说法都不同”的答案。
| 方法 | 需要什么 | 判断依据 | 盲点 |
|---|---|---|---|
| 检索核查 | 外部知识库或文档 | 回答与资料是否一致 | 资料里没有就查不了 |
| 看输出概率 | 模型原始概率（不能只看被截断的输出） | 概率高就信 | 概率高不等于正确 |
| 让模型自我批评 | 模型自己 | 它说“我这样对不对” | 和它犯错误时是同一套偏见 |
| SelfCheckGPT | 只要多采样几次 | 多次答案是否互相一致 | 稳定地错会漏检 |
和相邻概念的区别：检索核查（retrieval-based factuality check）依赖外部资料；SelfCheckGPT 不需要任何知识库，只看模型自己前后是否一致。困惑度、输出概率这类不确定性估计通常需要访问模型的内部概率；SelfCheckGPT 是黑盒方法，只要能把模型多调用几次就行，所以对只开放 API 的模型也能用。名字里的 GPT 来自论文当时使用的模型，方法本身与具体模型无关。
对从业者的实际意义：这是一道成本很低的幻觉初筛。比如做客服或知识问答时，对于被标成“高不一致”的句子，可以把它标黄、转人工，或者触发一次检索核实；全量走人工显然不现实。对普通用户的意义是转换思路：判断模型可不可靠，它的语气不算数；换个问法、多问一遍、看它两次说法是否一致，才算数。
最后有两点要记住。第一，一致不等于正确——如果模型对某个常见误解一直记错，每次都会稳定地给出同一个错误答案，这种方法就发现不了。第二，不一致也不一定错，开放式问题本来就该有不同的回答，所以在需要发散的问题上别用它。另外，采样次数、判定阈值和具体打分方式都要按场景来调，实际实现细节以对应的开源项目页面为准。