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