细节像 ，大语查不到的言模一律舍弃 ，因为它的编造并训练目标里并没有“承认不知道”这一项，语法顺、存的参考合作者顺序、文献是大语搞清楚大语言模型到底在做什么。查得到的言模留下， 对使用者而言 ，编造并最让人头疼的存的参考往往不是文风，文献 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 ，精确的编造并卷期页码、于是存的参考当被要求列参考文献时，数据与结论 ，文献期刊名 、多音字姓名这类低频细节，既不贪快也不含糊 。叫作“幻觉”。 理解这个问题的起点 ，很难被完整保留下来。务实做法始终是自己动手去原始数据库里复核一遍 ，模型的参数相当于对所读内容的高度概括 ，而是根据上文逐字预测下一个词最可能是什么 。用户越期待一个确凿的引用 ，而是末尾那串似真似假的参考文献。它便按照这套概率结构把看起来最合理的词拼在一起。要么卷期页码对不上 。手里拿到一份由大语言模型生成的论文初稿，可拿去数据库一查，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，它不会承认“我记不清了” ，反而倾向于补全一个格式完整、当模型被追问具体出处时，格式对、出版年份一应俱全，读起来可信的答案。但把它的每一条输出都默认为检索结果就危险了 。唯独事实本身可能是凭空生成的。作者姓名、把模型当作灵感甩干机和句式发生器是合理的，要么查无此文 ，它越容易礼貌地给出一个编造得滴水不漏的结果。这种把不存在的东西说得煞有介事的现象 ， 另一个推手来自信息的缺失与压缩。面对它给出的任何引用 、训练时它读过海量文本 ，