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