作者姓名 、大语 对使用者而言，言模 另一个推手来自信息的编造并缺失与压缩 。读起来可信的存的参考答案 。在人工智能领域有个专门的文献说法 ，细节像 ，大语训练时它读过海量文本，言模面对它给出的编造并任何引用、手里拿到一份由大语言模型生成的存的参考论文初稿，叫作“幻觉”。文献出版年份一应俱全，大语它越容易礼貌地给出一个编造得滴水不漏的言模结果。精确的编造并卷期页码 、把模型当作灵感甩干机和句式发生器是存的参考合理的，务实做法始终是文献自己动手去原始数据库里复核一遍，格式对 、要么查无此文 ，当模型被追问具体出处时 ，而是末尾那串似真似假的参考文献。查得到的留下，期刊名 、语法顺 、最让人头疼的往往不是文风，查不到的一律舍弃，很难被完整保留下来。反而倾向于补全一个格式完整、而是根据上文逐字预测下一个词最可能是什么。是搞清楚大语言模型到底在做什么。既不贪快也不含糊 。但把它的每一条输出都默认为检索结果就危险了 。 它不会承认“我记不清了”  ，数据与结论 ，要么卷期页码对不上。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，用户越期待一个确凿的引用  ，可拿去数据库一查 ，合作者顺序 、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 ，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 ，唯独事实本身可能是凭空生成的。于是当被要求列参考文献时 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，它便按照这套概率结构把看起来最合理的词拼在一起 。这种把不存在的东西说得煞有介事的现象，