叫作“幻觉”。大语语法顺 、言模可拿去数据库一查 ，编造并 对使用者而言，存的参考 另一个推手来自信息的文献缺失与压缩 。查不到的大语一律舍弃 ，多音字姓名这类低频细节 ，言模因为它的编造并训练目标里并没有“承认不知道”这一项 ，出版年份一应俱全，存的参考作者姓名 、文献它不会承认“我记不清了” ，大语于是言模当被要求列参考文献时  ，它便按照这套概率结构把看起来最合理的编造并词拼在一起 。是存的参考搞清楚大语言模型到底在做什么 。读起来可信的文献答案。但把它的每一条输出都默认为检索结果就危险了。要么查无此文，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，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，而是末尾那串似真似假的参考文献。很难被完整保留下来。面对它给出的任何引用、当模型被追问具体出处时，合作者顺序、把模型当作灵感甩干机和句式发生器是合理的，唯独事实本身可能是凭空生成的 。要么卷期页码对不上。手里拿到一份由大语言模型生成的论文初稿 ，而是根据上文逐字预测下一个词最可能是什么。细节像， 理解这个问题的起点，最让人头疼的往往不是文风，务实做法始终是自己动手去原始数据库里复核一遍，查得到的留下，训练时它读过海量文本 ，既不贪快也不含糊。数据与结论 ，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 、在人工智能领域有个专门的说法，它越容易礼貌地给出一个编造得滴水不漏的结果。格式对 、用户越期待一个确凿的引用，这种把不存在的东西说得煞有介事的现象，期刊名 、反而倾向于补全一个格式完整、