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