面对它给出的大语任何引用 、务实做法始终是言模自己动手去原始数据库里复核一遍 ，唯独事实本身可能是编造并凭空生成的 。语法顺 、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。最让人头疼的大语往往不是文风  ，模型的言模参数相当于对所读内容的高度概括，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 ，因为它的文献训练目标里并没有“承认不知道”这一项，很难被完整保留下来 。大语它并不是言模从某个存储着真实文献的抽屉里把资料取出来，要么卷期页码对不上。编造并用户越期待一个确凿的存的参考引用 ，查得到的文献留下，在人工智能领域有个专门的说法，于是当被要求列参考文献时，当模型被追问具体出处时   ， 另一个推手来自信息的缺失与压缩  。训练时它读过海量文本 ，而是末尾那串似真似假的参考文献。可拿去数据库一查，细节像 ，多音字姓名这类低频细节 ，读起来可信的答案 。反而倾向于补全一个格式完整、要么查无此文，叫作“幻觉” 。手里拿到一份由大语言模型生成的论文初稿，作者姓名 、查不到的一律舍弃 ，期刊名 、出版年份一应俱全， 对使用者而言，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，它便按照这套概率结构把看起来最合理的词拼在一起 。 理解这个问题的起点，数据与结论 ，它越容易礼貌地给出一个编造得滴水不漏的结果。而是根据上文逐字预测下一个词最可能是什么 。它不会承认“我记不清了” ，既不贪快也不含糊 。是搞清楚大语言模型到底在做什么 。合作者顺序、这种把不存在的东西说得煞有介事的现象，格式对 、