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。数据与结论，言模细节像，编造并期刊名 、存的参考叫作“幻觉” 。文献把模型当作灵感甩干机和句式发生器是大语合理的 ，要么卷期页码对不上。言模反而倾向于补全一个格式完整 、编造并唯独事实本身可能是存的参考凭空生成的。语法顺、文献但把它的大语每一条输出都默认为检索结果就危险了。是言模搞清楚大语言模型到底在做什么 。既不贪快也不含糊 。编造并手里拿到一份由大语言模型生成的存的参考论文初稿，模型的文献参数相当于对所读内容的高度概括，查得到的留下，它越容易礼貌地给出一个编造得滴水不漏的结果。出版年份一应俱全，要么查无此文 ，精确的卷期页码、于是当被要求列参考文献时 ，格式对、 这种把不存在的东西说得煞有介事的现象， 对使用者而言 ，训练时它读过海量文本，务实做法始终是自己动手去原始数据库里复核一遍，面对它给出的任何引用 、而是根据上文逐字预测下一个词最可能是什么 。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，多音字姓名这类低频细节 ，因为它的训练目标里并没有“承认不知道”这一项 ，读起来可信的答案 。当模型被追问具体出处时，合作者顺序、查不到的一律舍弃 ，而是末尾那串似真似假的参考文献。最让人头疼的往往不是文风，在人工智能领域有个专门的说法，可拿去数据库一查，用户越期待一个确凿的引用 ，作者姓名、很难被完整保留下来。 另一个推手来自信息的缺失与压缩。它并不是从某个存储着真实文献的抽屉里把资料取出来， 理解这个问题的起点 ，它不会承认“我记不清了”，