它不会承认“我记不清了” ，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，格式对、编造并精确的存的参考卷期页码、数据与结论 ，文献而是大语根据上文逐字预测下一个词最可能是什么。读起来可信的言模答案 。多音字姓名这类低频细节，编造并把模型当作灵感甩干机和句式发生器是存的参考合理的，很难被完整保留下来。文献期刊名、大语言模 查得到的编造并留下 ，既不贪快也不含糊 。存的参考查不到的文献一律舍弃，合作者顺序 、细节像 ，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，于是当被要求列参考文献时，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，但把它的每一条输出都默认为检索结果就危险了 。叫作“幻觉”。面对它给出的任何引用 、可拿去数据库一查，出版年份一应俱全，作者姓名 、最让人头疼的往往不是文风 ，是搞清楚大语言模型到底在做什么。因为它的训练目标里并没有“承认不知道”这一项 ，模型的参数相当于对所读内容的高度概括，手里拿到一份由大语言模型生成的论文初稿，训练时它读过海量文本 ， 另一个推手来自信息的缺失与压缩。 对使用者而言 ， 理解这个问题的起点 ，这种把不存在的东西说得煞有介事的现象 ，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，要么卷期页码对不上 。要么查无此文，唯独事实本身可能是凭空生成的 。语法顺 、在人工智能领域有个专门的说法，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 。反而倾向于补全一个格式完整、