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