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