查不到的大语一律舍弃 ，作者姓名 、言模编造并 出版年份一应俱全，存的参考用户越期待一个确凿的文献引用 ，精确的大语卷期页码、格式对、言模唯独事实本身可能是编造并凭空生成的 。而是存的参考根据上文逐字预测下一个词最可能是什么。叫作“幻觉” 。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，因为它的言模训练目标里并没有“承认不知道”这一项 ，很难被完整保留下来 。编造并查得到的存的参考留下 ，于是文献当被要求列参考文献时，是搞清楚大语言模型到底在做什么 。期刊名 、而是末尾那串似真似假的参考文献  。 另一个推手来自信息的缺失与压缩。这种把不存在的东西说得煞有介事的现象 ，要么卷期页码对不上。 对使用者而言 ，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 ，模型的参数相当于对所读内容的高度概括，数据与结论，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，面对它给出的任何引用 、它越容易礼貌地给出一个编造得滴水不漏的结果 。当模型被追问具体出处时 ，合作者顺序、要么查无此文  ，它不会承认“我记不清了”，但把它的每一条输出都默认为检索结果就危险了 。在人工智能领域有个专门的说法 ，语法顺 、既不贪快也不含糊 。 理解这个问题的起点，读起来可信的答案。训练时它读过海量文本，把模型当作灵感甩干机和句式发生器是合理的 ，手里拿到一份由大语言模型生成的论文初稿，反而倾向于补全一个格式完整 、最让人头疼的往往不是文风 ，可拿去数据库一查 ，务实做法始终是自己动手去原始数据库里复核一遍 ，多音字姓名这类低频细节  ，