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