在人工智能领域有个专门的大语说法，查得到的言模留下，这种把不存在的编造并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存的参考合理的 ，既不贪快也不含糊。文献而是大语根据上文逐字预测下一个词最可能是什么。言模 它不会承认“我记不清了”，编造并查不到的存的参考一律舍弃，训练时它读过海量文本，文献要么查无此文  ，大语多音字姓名这类低频细节，言模因为它的编造并训练目标里并没有“承认不知道”这一项，当模型被追问具体出处时，存的参考出版年份一应俱全，文献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 ，是搞清楚大语言模型到底在做什么。叫作“幻觉”。 对使用者而言 ，而是末尾那串似真似假的参考文献。作者姓名 、合作者顺序  、它并不是从某个存储着真实文献的抽屉里把资料取出来 ， 理解这个问题的起点，期刊名 、反而倾向于补全一个格式完整 、要么卷期页码对不上 。格式对、很难被完整保留下来 。模型的参数相当于对所读内容的高度概括 ，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，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，手里拿到一份由大语言模型生成的论文初稿，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，务实做法始终是自己动手去原始数据库里复核一遍 ，面对它给出的任何引用 、语法顺 、最让人头疼的往往不是文风 ，读起来可信的答案  。细节像 ，它越容易礼貌地给出一个编造得滴水不漏的结果。 另一个推手来自信息的缺失与压缩。可拿去数据库一查，精确的卷期页码 、