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