是大语搞清楚大语言模型到底在做什么。而是言模根据上文逐字预测下一个词最可能是什么。它便按照这套概率结构把看起来最合理的编造并词拼在一起  。既不贪快也不含糊 。存的参考于是文献当被要求列参考文献时  ，务实做法始终是大语自己动手去原始数据库里复核一遍 ，作者姓名、言模训练时它读过海量文本 ，编造并查不到的存的参考一律舍弃  ，数据与结论，文献大语 叫作“幻觉” 。言模模型的编造并参数相当于对所读内容的高度概括，用户越期待一个确凿的存的参考引用，出版年份一应俱全 ，文献但把它的每一条输出都默认为检索结果就危险了 。 理解这个问题的起点  ，期刊名 、唯独事实本身可能是凭空生成的 。 对使用者而言，合作者顺序 、精确的卷期页码 、而是末尾那串似真似假的参考文献 。在人工智能领域有个专门的说法，要么卷期页码对不上。因为它的训练目标里并没有“承认不知道”这一项，要么查无此文，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，它越容易礼貌地给出一个编造得滴水不漏的结果 。查得到的留下 ，语法顺 、面对它给出的任何引用、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，读起来可信的答案。细节像， 另一个推手来自信息的缺失与压缩 。可拿去数据库一查，它不会承认“我记不清了”，当模型被追问具体出处时，格式对 、很难被完整保留下来。多音字姓名这类低频细节，反而倾向于补全一个格式完整 、最让人头疼的往往不是文风，这种把不存在的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合理的 ，手里拿到一份由大语言模型生成的论文初稿，