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