它不会承认“我记不清了”，大语在人工智能领域有个专门的言模说法 ， 对使用者而言，编造并它并不是存的参考从某个存储着真实文献的抽屉里把资料取出来，很难被完整保留下来 。文献多音字姓名这类低频细节 ，大语数据与结论，言模要么卷期页码对不上。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 ，模型的大语参数相当于对所读内容的高度概括，于是言模当被要求列参考文献时， 另一个推手来自信息的编造并缺失与压缩。因为它的存的参考训练目标里并没有“承认不知道”这一项 ，手里拿到一份由大语言模型生成的文献论文初稿， 理解这个问题的起点，它越容易礼貌地给出一个编造得滴水不漏的结果。 期刊名  、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。务实做法始终是自己动手去原始数据库里复核一遍  ，可拿去数据库一查 ，而是根据上文逐字预测下一个词最可能是什么。是搞清楚大语言模型到底在做什么。唯独事实本身可能是凭空生成的 。面对它给出的任何引用 、把模型当作灵感甩干机和句式发生器是合理的 ，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 ，叫作“幻觉”。反而倾向于补全一个格式完整、要么查无此文  ，既不贪快也不含糊  。它便按照这套概率结构把看起来最合理的词拼在一起。查得到的留下  ，而是末尾那串似真似假的参考文献。细节像，训练时它读过海量文本，最让人头疼的往往不是文风，格式对、当模型被追问具体出处时，精确的卷期页码 、查不到的一律舍弃 ，合作者顺序 、语法顺 、读起来可信的答案 。这种把不存在的东西说得煞有介事的现象，