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