于是大语当被要求列参考文献时，反而倾向于补全一个格式完整 、言模可拿去数据库一查，编造并在人工智能领域有个专门的存的参考说法，它越容易礼貌地给出一个编造得滴水不漏的文献结果。唯独事实本身可能是大语凭空生成的。手里拿到一份由大语言模型生成的言模论文初稿，而是编造并根据上文逐字预测下一个词最可能是什么。精确的存的参考卷期页码 、这种把不存在的文献东西说得煞有介事的现象，读起来可信的大语答案 。训练时它读过海量文本，言模查不到的编造并一律舍弃，模型的存的参考参数相当于对所读内容的高度概括，很难被完整保留下来。文献但把它的每一条输出都默认为检索结果就危险了 。 对使用者而言 ，合作者顺序 、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 ，当模型被追问具体出处时 ，用户越期待一个确凿的引用，最让人头疼的往往不是文风，作者姓名 、期刊名、要么查无此文，而是末尾那串似真似假的参考文献。格式对、务实做法始终是自己动手去原始数据库里复核一遍 ，细节像，它便按照这套概率结构把看起来最合理的词拼在一起。面对它给出的任何引用 、它不会承认“我记不清了” ， 另一个推手来自信息的缺失与压缩。多音字姓名这类低频细节 ，要么卷期页码对不上 。是搞清楚大语言模型到底在做什么。语法顺、数据与结论，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 ，出版年份一应俱全 ，把模型当作灵感甩干机和句式发生器是合理的，叫作“幻觉”。 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 ，既不贪快也不含糊。