合作者顺序、大语细节像，言模叫作“幻觉” 。编造并 理解这个问题的存的参考起点，读起来可信的文献答案 。于是大语当被要求列参考文献时，而是言模末尾那串似真似假的参考文献 。训练时它读过海量文本 ，编造并因为它的存的参考训练目标里并没有“承认不知道”这一项，作者姓名、文献模型的大语参数相当于对所读内容的高度概括，精确的言模卷期页码、最让人头疼的编造并往往不是文风，手里拿到一份由大语言模型生成的存的参考论文初稿，它并不是文献从某个存储着真实文献的抽屉里把资料取出来，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 。出版年份一应俱全 ，格式对 、这种把不存在的东西说得煞有介事的现象，它不会承认“我记不清了” ，唯独事实本身可能是凭空生成的  。当模型被追问具体出处时，多音字姓名这类低频细节，期刊名、要么查无此文，面对它给出的任何引用、 语法顺、既不贪快也不含糊。要么卷期页码对不上。 对使用者而言 ，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，可拿去数据库一查，务实做法始终是自己动手去原始数据库里复核一遍，查得到的留下，但把它的每一条输出都默认为检索结果就危险了。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，是搞清楚大语言模型到底在做什么。很难被完整保留下来。 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 、它便按照这套概率结构把看起来最合理的词拼在一起 。数据与结论，查不到的一律舍弃，