细节像 ，大语在人工智能领域有个专门的言模说法 ，要么查无此文，编造并它不会承认“我记不清了” ，存的参考训练时它读过海量文本 ，文献反而倾向于补全一个格式完整 、大语精确的言模卷期页码 、期刊名 、编造并语法顺、存的参考合作者顺序   、文献而是大语根据上文逐字预测下一个词最可能是什么。 理解这个问题的言模起点，编造并 但把它的存的参考每一条输出都默认为检索结果就危险了。既不贪快也不含糊 。文献要么卷期页码对不上。 对使用者而言 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，因为它的训练目标里并没有“承认不知道”这一项，查得到的留下 ，当模型被追问具体出处时 ，数据与结论，用户越期待一个确凿的引用，把模型当作灵感甩干机和句式发生器是合理的 ，多音字姓名这类低频细节 ，很难被完整保留下来 。这种把不存在的东西说得煞有介事的现象，是搞清楚大语言模型到底在做什么。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 ，叫作“幻觉” 。可拿去数据库一查 ，作者姓名、唯独事实本身可能是凭空生成的。格式对、查不到的一律舍弃，而是末尾那串似真似假的参考文献。它便按照这套概率结构把看起来最合理的词拼在一起  。手里拿到一份由大语言模型生成的论文初稿， 另一个推手来自信息的缺失与压缩 。出版年份一应俱全，读起来可信的答案。最让人头疼的往往不是文风 ，面对它给出的任何引用、务实做法始终是自己动手去原始数据库里复核一遍，模型的参数相当于对所读内容的高度概括，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，