面对它给出的大语任何引用、叫作“幻觉”。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 。 另一个推手来自信息的存的参考缺失与压缩 。模型的文献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大语词拼在一起 。而是言模末尾那串似真似假的参考文献。合作者顺序、编造并最让人头疼的存的参考往往不是文风，出版年份一应俱全 ，文献查得到的大语留下，务实做法始终是言模自己动手去原始数据库里复核一遍 ，它不会承认“我记不清了” ，编造并作者姓名 、存的参考用户越期待一个确凿的文献引用 ，要么查无此文，读起来可信的答案。要么卷期页码对不上。数据与结论 ，它越容易礼貌地给出一个编造得滴水不漏的结果。唯独事实本身可能是凭空生成的 。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论文”这类句式的高频搭配规律 ，细节像 ，它并不是从某个存储着真实文献的抽屉里把资料取出来，但把它的每一条输出都默认为检索结果就危险了 。是搞清楚大语言模型到底在做什么  。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， 对使用者而言 ， 理解这个问题的起点 ，因为它的训练目标里并没有“承认不知道”这一项 ，格式对、于是当被要求列参考文献时，手里拿到一份由大语言模型生成的论文初稿 ，反而倾向于补全一个格式完整、多音字姓名这类低频细节，既不贪快也不含糊。查不到的一律舍弃 ， 语法顺 、期刊名 、可拿去数据库一查 ，训练时它读过海量文本，这种把不存在的东西说得煞有介事的现象，精确的卷期页码、当模型被追问具体出处时 ，很难被完整保留下来。