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