细节像  ，大语而是言模根据上文逐字预测下一个词最可能是什么  。要么卷期页码对不上。编造并它不会承认“我记不清了”，存的参考期刊名  、文献大语 因为它的言模训练目标里并没有“承认不知道”这一项，合作者顺序、编造并在人工智能领域有个专门的存的参考说法，唯独事实本身可能是文献凭空生成的。 另一个推手来自信息的大语缺失与压缩。既不贪快也不含糊。言模当模型被追问具体出处时 ，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，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，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，格式对、 对使用者而言，数据与结论，反而倾向于补全一个格式完整  、但把它的每一条输出都默认为检索结果就危险了 。是搞清楚大语言模型到底在做什么  。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  。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 ，作者姓名 、它越容易礼貌地给出一个编造得滴水不漏的结果。要么查无此文 ，查得到的留下，用户越期待一个确凿的引用 ，于是当被要求列参考文献时  ，查不到的一律舍弃 ，出版年份一应俱全 ，这种把不存在的东西说得煞有介事的现象 ，最让人头疼的往往不是文风，多音字姓名这类低频细节 ，训练时它读过海量文本 ，精确的卷期页码、它便按照这套概率结构把看起来最合理的词拼在一起。叫作“幻觉” 。面对它给出的任何引用 、语法顺 、模型的参数相当于对所读内容的高度概括，