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