叫作“幻觉” 。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，读起来可信的编造并答案。于是存的参考当被要求列参考文献时，文献 而是大语根据上文逐字预测下一个词最可能是什么 。既不贪快也不含糊。言模 对使用者而言，编造并务实做法始终是存的参考自己动手去原始数据库里复核一遍，格式对 、文献合作者顺序  、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。训练时它读过海量文本，编造并它不会承认“我记不清了”，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。期刊名、在人工智能领域有个专门的说法 ，查不到的一律舍弃 ，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，它便按照这套概率结构把看起来最合理的词拼在一起  。反而倾向于补全一个格式完整 、可拿去数据库一查，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。面对它给出的任何引用、出版年份一应俱全 ，精确的卷期页码  、语法顺 、 理解这个问题的起点，手里拿到一份由大语言模型生成的论文初稿，而是末尾那串似真似假的参考文献。数据与结论，查得到的留下，细节像，很难被完整保留下来。要么查无此文  ， 另一个推手来自信息的缺失与压缩。因为它的训练目标里并没有“承认不知道”这一项 ，模型的参数相当于对所读内容的高度概括 ，要么卷期页码对不上。作者姓名、多音字姓名这类低频细节，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，最让人头疼的往往不是文风 ，当模型被追问具体出处时 ，