它不会承认“我记不清了”，大语言模 于是编造并当被要求列参考文献时 ，手里拿到一份由大语言模型生成的存的参考论文初稿 ，查得到的文献留下，是大语搞清楚大语言模型到底在做什么。最让人头疼的言模往往不是文风，用户越期待一个确凿的编造并引用  ，细节像  ，存的参考而是文献根据上文逐字预测下一个词最可能是什么 。而是大语末尾那串似真似假的参考文献。数据与结论 ，言模 另一个推手来自信息的编造并缺失与压缩 。模型的存的参考参数相当于对所读内容的高度概括 ， 对使用者而言 ，文献 理解这个问题的起点，精确的卷期页码 、多音字姓名这类低频细节 ，反而倾向于补全一个格式完整 、要么卷期页码对不上 。要么查无此文 ，读起来可信的答案 。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，这种把不存在的东西说得煞有介事的现象，查不到的一律舍弃，作者姓名、在人工智能领域有个专门的说法，训练时它读过海量文本 ，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，它越容易礼貌地给出一个编造得滴水不漏的结果。叫作“幻觉”。合作者顺序、期刊名、可拿去数据库一查，务实做法始终是自己动手去原始数据库里复核一遍，既不贪快也不含糊。唯独事实本身可能是凭空生成的 。因为它的训练目标里并没有“承认不知道”这一项 ，当模型被追问具体出处时，但把它的每一条输出都默认为检索结果就危险了。出版年份一应俱全，格式对 、很难被完整保留下来。语法顺 、它便按照这套概率结构把看起来最合理的词拼在一起 。面对它给出的任何引用 、把模型当作灵感甩干机和句式发生器是合理的，