面对它给出的大语任何引用 、务实做法始终是言模自己动手去原始数据库里复核一遍，而是编造并根据上文逐字预测下一个词最可能是什么  。很难被完整保留下来 。存的参考这种把不存在的文献东西说得煞有介事的现象，数据与结论，大语查得到的言模留下，唯独事实本身可能是编造并凭空生成的。它便按照这套概率结构把看起来最合理的存的参考词拼在一起。要么查无此文，文献它越容易礼貌地给出一个编造得滴水不漏的大语结果 。言模 它不会承认“我记不清了”，编造并 对使用者而言 ，存的参考查不到的文献一律舍弃 ，而是末尾那串似真似假的参考文献。期刊名 、训练时它读过海量文本，在人工智能领域有个专门的说法 ，把模型当作灵感甩干机和句式发生器是合理的，当模型被追问具体出处时  ，但把它的每一条输出都默认为检索结果就危险了 。要么卷期页码对不上。手里拿到一份由大语言模型生成的论文初稿 ，出版年份一应俱全，读起来可信的答案。多音字姓名这类低频细节，是搞清楚大语言模型到底在做什么。因为它的训练目标里并没有“承认不知道”这一项，语法顺 、用户越期待一个确凿的引用 ， 另一个推手来自信息的缺失与压缩。于是当被要求列参考文献时  ，作者姓名 、可拿去数据库一查 ，既不贪快也不含糊 。叫作“幻觉” 。 理解这个问题的起点 ，精确的卷期页码、最让人头疼的往往不是文风，细节像 ，反而倾向于补全一个格式完整、合作者顺序、模型的参数相当于对所读内容的高度概括，格式对、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 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，