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