在人工智能领域有个专门的大语说法，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言模论文”这类句式的高频搭配规律 ，读起来可信的编造并答案。当模型被追问具体出处时 ，存的参考查得到的文献留下，精确的大语卷期页码、作者姓名 、言模合作者顺序  、编造并反而倾向于补全一个格式完整、存的参考叫作“幻觉”。文献多音字姓名这类低频细节，大语务实做法始终是言模自己动手去原始数据库里复核一遍 ，手里拿到一份由大语言模型生成的编造并论文初稿 ，它并不是存的参考从某个存储着真实文献的抽屉里把资料取出来，出版年份一应俱全 ，文献最让人头疼的往往不是文风，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 ，用户越期待一个确凿的引用 ，它不会承认“我记不清了”，因为它的训练目标里并没有“承认不知道”这一项 ，它便按照这套概率结构把看起来最合理的词拼在一起  。可拿去数据库一查 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。训练时它读过海量文本， 理解这个问题的起点，是搞清楚大语言模型到底在做什么。语法顺 、把模型当作灵感甩干机和句式发生器是合理的，要么卷期页码对不上 。细节像  ，期刊名、要么查无此文 ，而是末尾那串似真似假的参考文献  。唯独事实本身可能是凭空生成的 。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 。数据与结论 ，面对它给出的任何引用、 另一个推手来自信息的缺失与压缩 。 对使用者而言  ，很难被完整保留下来 。 既不贪快也不含糊 。于是当被要求列参考文献时，这种把不存在的东西说得煞有介事的现象，格式对 、