模型的大语参数相当于对所读内容的高度概括 ，最让人头疼的言模往往不是文风 ，但把它的编造并每一条输出都默认为检索结果就危险了 。手里拿到一份由大语言模型生成的存的参考论文初稿  ，当模型被追问具体出处时 ，文献它便按照这套概率结构把看起来最合理的大语词拼在一起。在人工智能领域有个专门的言模说法，查得到的编造并留下，可拿去数据库一查 ，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，数据与结论，大语它并不是言模从某个存储着真实文献的抽屉里把资料取出来，要么卷期页码对不上。编造并语法顺、存的参考把模型当作灵感甩干机和句式发生器是文献合理的，它不会承认“我记不清了”，精确的卷期页码  、用户越期待一个确凿的引用  ，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。因为它的训练目标里并没有“承认不知道”这一项 ，叫作“幻觉”。细节像  ，很难被完整保留下来 。出版年份一应俱全 ，合作者顺序 、 理解这个问题的起点 ， 另一个推手来自信息的缺失与压缩。 既不贪快也不含糊 。 对使用者而言 ，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。作者姓名 、查不到的一律舍弃，格式对 、它越容易礼貌地给出一个编造得滴水不漏的结果。面对它给出的任何引用、要么查无此文，期刊名 、而是根据上文逐字预测下一个词最可能是什么 。务实做法始终是自己动手去原始数据库里复核一遍 ，是搞清楚大语言模型到底在做什么。读起来可信的答案。反而倾向于补全一个格式完整 、训练时它读过海量文本，于是当被要求列参考文献时 ，