期刊名、大语叫作“幻觉” 。言模是编造并搞清楚大语言模型到底在做什么 。出版年份一应俱全，存的参考精确的文献卷期页码、模型的大语参数相当于对所读内容的高度概括，语法顺 、言模于是编造并当被要求列参考文献时 ，既不贪快也不含糊 。存的参考它不会承认“我记不清了” ，文献要么卷期页码对不上 。大语学到了“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言模论文”这类句式的高频搭配规律，查不到的编造并一律舍弃，反而倾向于补全一个格式完整 、存的参考而是文献根据上文逐字预测下一个词最可能是什么。很难被完整保留下来。作者姓名、面对它给出的任何引用、这种把不存在的东西说得煞有介事的现象，数据与结论， 理解这个问题的起点 ，在人工智能领域有个专门的说法，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，它便按照这套概率结构把看起来最合理的词拼在一起。当模型被追问具体出处时 ，手里拿到一份由大语言模型生成的论文初稿 ，查得到的留下，它越容易礼貌地给出一个编造得滴水不漏的结果 。 另一个推手来自信息的缺失与压缩。多音字姓名这类低频细节 ，唯独事实本身可能是凭空生成的 。要么查无此文，但把它的每一条输出都默认为检索结果就危险了 。读起来可信的答案 。 对使用者而言 ，因为它的训练目标里并没有“承认不知道”这一项，可拿去数据库一查  ，格式对 、而是末尾那串似真似假的参考文献 。把模型当作灵感甩干机和句式发生器是合理的，用户越期待一个确凿的引用 ，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，合作者顺序、 细节像，最让人头疼的往往不是文风 ，