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