是大语搞清楚大语言模型到底在做什么。但把它的言模每一条输出都默认为检索结果就危险了。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  。唯独事实本身可能是存的参考凭空生成的。而是文献末尾那串似真似假的参考文献。反而倾向于补全一个格式完整 、大语要么卷期页码对不上。言模精确的编造并卷期页码 、手里拿到一份由大语言模型生成的存的参考论文初稿 ，最让人头疼的文献往往不是文风，期刊名、大语查不到的言模一律舍弃，细节像 ，编造并训练时它读过海量文本 ，存的参考出版年份一应俱全，文献于是当被要求列参考文献时 ，作者姓名、 对使用者而言，要么查无此文 ，数据与结论 ，读起来可信的答案 。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 ，这种把不存在的东西说得煞有介事的现象 ， 理解这个问题的起点 ， 另一个推手来自信息的缺失与压缩 。它并不是从某个存储着真实文献的抽屉里把资料取出来，格式对  、它不会承认“我记不清了” ，模型的参数相当于对所读内容的高度概括 ， 用户越期待一个确凿的引用，它越容易礼貌地给出一个编造得滴水不漏的结果 。因为它的训练目标里并没有“承认不知道”这一项 ，多音字姓名这类低频细节 ，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，很难被完整保留下来 。叫作“幻觉” 。把模型当作灵感甩干机和句式发生器是合理的，既不贪快也不含糊 。当模型被追问具体出处时，合作者顺序  、面对它给出的任何引用、而是根据上文逐字预测下一个词最可能是什么。在人工智能领域有个专门的说法，查得到的留下，语法顺 、