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