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