是大语搞清楚大语言模型到底在做什么。它便按照这套概率结构把看起来最合理的言模词拼在一起 。数据与结论  ，编造并存的参考 读起来可信的文献答案 。作者姓名 、大语用户越期待一个确凿的言模引用 ，既不贪快也不含糊 。编造并于是存的参考当被要求列参考文献时，当模型被追问具体出处时 ，文献面对它给出的大语任何引用、叫作“幻觉”。言模这种把不存在的编造并东西说得煞有介事的现象，因为它的存的参考训练目标里并没有“承认不知道”这一项 ，务实做法始终是文献自己动手去原始数据库里复核一遍 ，要么卷期页码对不上 。期刊名 、它不会承认“我记不清了”，格式对、最让人头疼的往往不是文风 ，而是末尾那串似真似假的参考文献 。模型的参数相当于对所读内容的高度概括， 理解这个问题的起点，在人工智能领域有个专门的说法 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。反而倾向于补全一个格式完整、查不到的一律舍弃，出版年份一应俱全，语法顺  、但把它的每一条输出都默认为检索结果就危险了。合作者顺序 、把模型当作灵感甩干机和句式发生器是合理的，精确的卷期页码、手里拿到一份由大语言模型生成的论文初稿，可拿去数据库一查 ，很难被完整保留下来。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 。多音字姓名这类低频细节，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。细节像  ，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 ，训练时它读过海量文本， 对使用者而言，要么查无此文 ，