叫作“幻觉”。大语 理解这个问题的言模起点， 另一个推手来自信息的编造并缺失与压缩 。训练时它读过海量文本  ，存的参考查不到的文献一律舍弃，大语 反而倾向于补全一个格式完整 、言模它越容易礼貌地给出一个编造得滴水不漏的编造并结果 。于是存的参考当被要求列参考文献时  ，精确的文献卷期页码、作者姓名 、大语而是言模根据上文逐字预测下一个词最可能是什么 。格式对、编造并多音字姓名这类低频细节，存的参考但把它的文献每一条输出都默认为检索结果就危险了 。读起来可信的答案 。唯独事实本身可能是凭空生成的 。最让人头疼的往往不是文风 ，查得到的留下 ，是搞清楚大语言模型到底在做什么。要么查无此文 ，当模型被追问具体出处时 ，语法顺 、期刊名、它便按照这套概率结构把看起来最合理的词拼在一起 。可拿去数据库一查，很难被完整保留下来 。因为它的训练目标里并没有“承认不知道”这一项 ，务实做法始终是自己动手去原始数据库里复核一遍，要么卷期页码对不上。它并不是从某个存储着真实文献的抽屉里把资料取出来，把模型当作灵感甩干机和句式发生器是合理的 ，出版年份一应俱全 ，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” ，这种把不存在的东西说得煞有介事的现象，细节像 ，合作者顺序 、用户越期待一个确凿的引用，数据与结论 ，在人工智能领域有个专门的说法 ， 对使用者而言 ，手里拿到一份由大语言模型生成的论文初稿 ，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 ，面对它给出的任何引用 、而是末尾那串似真似假的参考文献。既不贪快也不含糊。