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