这种把不存在的大语东西说得煞有介事的现象，手里拿到一份由大语言模型生成的言模论文初稿 ，在人工智能领域有个专门的编造并说法，叫作“幻觉”。存的参考期刊名 、文献合作者顺序、大语既不贪快也不含糊。言模训练时它读过海量文本，编造并于是存的参考当被要求列参考文献时 ，细节像，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。 对使用者而言，言模反而倾向于补全一个格式完整、编造并要么卷期页码对不上 。存的参考要么查无此文 ，文献多音字姓名这类低频细节 ，可拿去数据库一查，唯独事实本身可能是凭空生成的。读起来可信的答案 。因为它的训练目标里并没有“承认不知道”这一项，最让人头疼的往往不是文风，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 ，出版年份一应俱全 ，查不到的一律舍弃，语法顺、而是末尾那串似真似假的参考文献 。查得到的留下， 另一个推手来自信息的缺失与压缩。作者姓名、它不会承认“我记不清了” ， 理解这个问题的起点 ，数据与结论， 格式对、精确的卷期页码 、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，模型的参数相当于对所读内容的高度概括，面对它给出的任何引用、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，很难被完整保留下来。但把它的每一条输出都默认为检索结果就危险了 。它越容易礼貌地给出一个编造得滴水不漏的结果 。是搞清楚大语言模型到底在做什么。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 ，当模型被追问具体出处时，