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