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