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