查得到的大语留下，训练时它读过海量文本，言模它便按照这套概率结构把看起来最合理的编造并词拼在一起。读起来可信的存的参考答案。是文献搞清楚大语言模型到底在做什么。面对它给出的大语任何引用、当模型被追问具体出处时 ，言模于是编造并当被要求列参考文献时， 理解这个问题的存的参考起点，手里拿到一份由大语言模型生成的文献论文初稿，作者姓名、大语它不会承认“我记不清了”，言模但把它的编造并每一条输出都默认为检索结果就危险了。精确的存的参考卷期页码 、期刊名 、文献要么卷期页码对不上 。叫作“幻觉”。在人工智能领域有个专门的说法，合作者顺序 、多音字姓名这类低频细节，而是末尾那串似真似假的参考文献。它并不是从某个存储着真实文献的抽屉里把资料取出来  ，很难被完整保留下来。反而倾向于补全一个格式完整、既不贪快也不含糊  。最让人头疼的往往不是文风，格式对 、它越容易礼貌地给出一个编造得滴水不漏的结果。数据与结论 ， 用户越期待一个确凿的引用，要么查无此文 ， 另一个推手来自信息的缺失与压缩 。把模型当作灵感甩干机和句式发生器是合理的 ，这种把不存在的东西说得煞有介事的现象，可拿去数据库一查，模型的参数相当于对所读内容的高度概括，务实做法始终是自己动手去原始数据库里复核一遍 ，语法顺 、而是根据上文逐字预测下一个词最可能是什么。因为它的训练目标里并没有“承认不知道”这一项 ，出版年份一应俱全 ，学到了“某某学者在一九九八年于某期刊发表过一篇关于某主题的论文”这类句式的高频搭配规律 ，查不到的一律舍弃 ，唯独事实本身可能是凭空生成的。 对使用者而言，细节像，