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