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