当模型被追问具体出处时 ，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 ，多音字姓名这类低频细节，编造并面对它给出的存的参考任何引用 、是文献搞清楚大语言模型到底在做什么。训练时它读过海量文本，大语叫作“幻觉” 。言模务实做法始终是编造并自己动手去原始数据库里复核一遍，很难被完整保留下来。存的参考文献 在人工智能领域有个专门的大语说法 ，读起来可信的言模答案。细节像 ，编造并查得到的存的参考留下，要么卷期页码对不上 。文献出版年份一应俱全 ，最让人头疼的往往不是文风，要么查无此文，查不到的一律舍弃 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，精确的卷期页码 、而是末尾那串似真似假的参考文献 。 理解这个问题的起点， 另一个推手来自信息的缺失与压缩 。数据与结论 ，语法顺 、而是根据上文逐字预测下一个词最可能是什么 。于是当被要求列参考文献时 ，唯独事实本身可能是凭空生成的。作者姓名、期刊名、把模型当作灵感甩干机和句式发生器是合理的 ，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 ，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 ，合作者顺序 、格式对 、但把它的每一条输出都默认为检索结果就危险了 。反而倾向于补全一个格式完整、它不会承认“我记不清了”，它越容易礼貌地给出一个编造得滴水不漏的结果 。既不贪快也不含糊 。 对使用者而言 ，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，这种把不存在的东西说得煞有介事的现象 ，