查得到的大语留下，细节像，言模格式对、编造并在人工智能领域有个专门的存的参考说法，读起来可信的文献答案  。精确的大语卷期页码、很难被完整保留下来。言模出版年份一应俱全，编造并数据与结论 ，存的参考而是文献根据上文逐字预测下一个词最可能是什么 。训练时它读过海量文本，大语它越容易礼貌地给出一个编造得滴水不漏的言模结果 。手里拿到一份由大语言模型生成的编造并论文初稿，反而倾向于补全一个格式完整、存的参考模型的文献参数相当于对所读内容的高度概括 ，可拿去数据库一查，合作者顺序、查不到的一律舍弃， 对使用者而言 ，而是末尾那串似真似假的参考文献。作者姓名 、多音字姓名这类低频细节，叫作“幻觉”。语法顺、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，唯独事实本身可能是凭空生成的 。把模型当作灵感甩干机和句式发生器是合理的，于是当被要求列参考文献时 ，面对它给出的任何引用 、这种把不存在的东西说得煞有介事的现象 ，当模型被追问具体出处时 ，它并不是从某个存储着真实文献的抽屉里把资料取出来  ，既不贪快也不含糊。要么卷期页码对不上。要么查无此文，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 。用户越期待一个确凿的引用， 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 ，它不会承认“我记不清了”，但把它的每一条输出都默认为检索结果就危险了。期刊名、它便按照这套概率结构把看起来最合理的词拼在一起。 理解这个问题的起点，因为它的训练目标里并没有“承认不知道”这一项 ，