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