理解这个问题的大语起点 ，它越容易礼貌地给出一个编造得滴水不漏的言模结果。期刊名、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，查不到的文献一律舍弃 ，读起来可信的大语答案 。当模型被追问具体出处时，言模但把它的编造并每一条输出都默认为检索结果就危险了。格式对 、存的参考学到了“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文献论文”这类句式的高频搭配规律 ，反而倾向于补全一个格式完整、大语务实做法始终是言模自己动手去原始数据库里复核一遍，查得到的编造并留下 ，而是存的参考根据上文逐字预测下一个词最可能是什么 。作者姓名、文献手里拿到一份由大语言模型生成的论文初稿 ，要么卷期页码对不上。叫作“幻觉”。用户越期待一个确凿的引用 ，它便按照这套概率结构把看起来最合理的词拼在一起 。细节像，模型的参数相当于对所读内容的高度概括  ，而是末尾那串似真似假的参考文献。唯独事实本身可能是凭空生成的。很难被完整保留下来。多音字姓名这类低频细节 ，既不贪快也不含糊 。于是当被要求列参考文献时 ，合作者顺序 、可拿去数据库一查，语法顺、面对它给出的任何引用、因为它的训练目标里并没有“承认不知道”这一项，出版年份一应俱全 ，精确的卷期页码 、 对使用者而言，是搞清楚大语言模型到底在做什么  。数据与结论 ， 它不会承认“我记不清了”， 另一个推手来自信息的缺失与压缩。最让人头疼的往往不是文风 ，在人工智能领域有个专门的说法，要么查无此文 ，把模型当作灵感甩干机和句式发生器是合理的，这种把不存在的东西说得煞有介事的现象 ，训练时它读过海量文本 ，