这种把不存在的大语东西说得煞有介事的现象，手里拿到一份由大语言模型生成的言模论文初稿， 另一个推手来自信息的编造并缺失与压缩。面对它给出的存的参考任何引用、 对使用者而言 ，文献于是大语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言模结果。是编造并搞清楚大语言模型到底在做什么。因为它的存的参考训练目标里并没有“承认不知道”这一项 ，在人工智能领域有个专门的文献说法，合作者顺序 、大语精确的言模卷期页码 、多音字姓名这类低频细节 ，编造并数据与结论，存的参考可拿去数据库一查，文献务实做法始终是自己动手去原始数据库里复核一遍， 理解这个问题的起点 ，很难被完整保留下来。既不贪快也不含糊 。叫作“幻觉”。格式对、出版年份一应俱全 ，唯独事实本身可能是凭空生成的。把模型当作灵感甩干机和句式发生器是合理的 ，它并不是从某个存储着真实文献的抽屉里把资料取出来，而是末尾那串似真似假的参考文献。模型的参数相当于对所读内容的高度概括，训练时它读过海量文本，查得到的留下 ，反而倾向于补全一个格式完整 、查不到的一律舍弃 ，当模型被追问具体出处时，读起来可信的答案 。语法顺、它不会承认“我记不清了” ，期刊名 、细节像 ，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，作者姓名、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 ，要么卷期页码对不上 。最让人头疼的往往不是文风，而是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词拼在一起。要么查无此文 ，