Google Research: Bei faktischen Fehlern von LLMs könnte oft der Abruf das Problem sein

Google Research rückt bei faktischen Fehlern von Sprachmodellen eine andere Frage in den Mittelpunkt: Liegt das Problem am fehlenden Wissen oder daran, dass bereits gespeicherte Informationen nicht zuverlässig abgerufen werden?

Ausgangspunkt ist ein am 12. August 2026 veröffentlichter Beitrag auf research.google mit dem Titel „Empty shelves or lost keys? Recall is the bottleneck for parametric factuality“. Im bereitgestellten Textauszug des Blogposts ist als inhaltliche Aussage der Einleitungssatz enthalten: „When LLMs get facts wrong, is it because they never learned them or because they can't recall what they've already encoded?“

Damit beschreibt Google Research zwei mögliche Ursachen für faktische Fehler von Large Language Models: Ein Modell könnte bestimmte Informationen nie gelernt haben. Ebenso könnte es sein, dass relevantes Wissen zwar in den Modellparametern vorhanden ist, im konkreten Moment aber nicht korrekt abgerufen wird.

Für die Debatte über Halluzinationen und Faktentreue ist diese Unterscheidung wichtig, weil sie den Blick weg von der bloßen Fehlerquote und hin zur Ursache eines Fehlers lenkt. Der veröffentlichte Teaser des Beitrags legt damit nahe, dass Google Research den Abruf bereits kodierten Wissens als zentrales Untersuchungsfeld betrachtet.

Als Autoren des Blogbeitrags werden Nitay Calderon und Gal Yona genannt. Veröffentlicht wurde der Eintrag am 12. August 2026 auf research.google.