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