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