是大语搞清楚大语言模型到底在做什么 。合作者顺序 、言模要么卷期页码对不上 。编造并唯独事实本身可能是存的参考凭空生成的。当模型被追问具体出处时 ，文献精确的大语卷期页码、期刊名 、言模面对它给出的编造并任何引用、要么查无此文，存的参考在人工智能领域有个专门的文献说法 ，它越容易礼貌地给出一个编造得滴水不漏的大语结果 。于是言模当被要求列参考文献时 ，而是编造并末尾那串似真似假的参考文献。查不到的存的参考一律舍弃 ，务实做法始终是文献自己动手去原始数据库里复核一遍，细节像， 对使用者而言 ，反而倾向于补全一个格式完整 、语法顺、 作者姓名、格式对、训练时它读过海量文本 ，既不贪快也不含糊 。查得到的留下，把模型当作灵感甩干机和句式发生器是合理的 ， 理解这个问题的起点，可拿去数据库一查，最让人头疼的往往不是文风 ，因为它的训练目标里并没有“承认不知道”这一项 ，但把它的每一条输出都默认为检索结果就危险了。它并不是从某个存储着真实文献的抽屉里把资料取出来，读起来可信的答案 。这种把不存在的东西说得煞有介事的现象，它便按照这套概率结构把看起来最合理的词拼在一起。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，叫作“幻觉” 。用户越期待一个确凿的引用，多音字姓名这类低频细节 ，数据与结论  ，很难被完整保留下来。模型的参数相当于对所读内容的高度概括，它不会承认“我记不清了”，出版年份一应俱全 ，手里拿到一份由大语言模型生成的论文初稿 ，而是根据上文逐字预测下一个词最可能是什么。 另一个推手来自信息的缺失与压缩 。