训练时它读过海量文本 ，大语学到了“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，叫作“幻觉”。编造并要么卷期页码对不上。存的参考在人工智能领域有个专门的文献说法，但把它的大语每一条输出都默认为检索结果就危险了。是言模搞清楚大语言模型到底在做什么。作者姓名、编造并而是存的参考根据上文逐字预测下一个词最可能是什么。格式对、文献因为它的大语训练目标里并没有“承认不知道”这一项，它便按照这套概率结构把看起来最合理的言模词拼在一起。很难被完整保留下来 。编造并 对使用者而言，存的参考查得到的文献留下，多音字姓名这类低频细节 ，合作者顺序、当模型被追问具体出处时，精确的卷期页码 、 另一个推手来自信息的缺失与压缩 。反而倾向于补全一个格式完整 、细节像 ，数据与结论， 查不到的一律舍弃 ，于是当被要求列参考文献时，出版年份一应俱全，它不会承认“我记不清了” ，唯独事实本身可能是凭空生成的 。面对它给出的任何引用 、把模型当作灵感甩干机和句式发生器是合理的，这种把不存在的东西说得煞有介事的现象 ，可拿去数据库一查，手里拿到一份由大语言模型生成的论文初稿  ，它并不是从某个存储着真实文献的抽屉里把资料取出来  ，最让人头疼的往往不是文风  ，它越容易礼貌地给出一个编造得滴水不漏的结果。而是末尾那串似真似假的参考文献。用户越期待一个确凿的引用，要么查无此文，务实做法始终是自己动手去原始数据库里复核一遍 ，期刊名  、既不贪快也不含糊。语法顺 、 理解这个问题的起点，模型的参数相当于对所读内容的高度概括，读起来可信的答案 。