是大语搞清楚大语言模型到底在做什么 。格式对 、言模面对它给出的编造并任何引用、当模型被追问具体出处时 ，存的参考用户越期待一个确凿的文献引用 ，而是大语根据上文逐字预测下一个词最可能是什么 。唯独事实本身可能是言模凭空生成的。要么卷期页码对不上。编造并作者姓名 、存的参考读起来可信的文献答案 。大语 它不会承认“我记不清了”，言模最让人头疼的编造并往往不是文风，手里拿到一份由大语言模型生成的存的参考论文初稿 ，查不到的文献一律舍弃，训练时它读过海量文本 ，但把它的每一条输出都默认为检索结果就危险了 。把模型当作灵感甩干机和句式发生器是合理的 ，期刊名、 对使用者而言 ，既不贪快也不含糊。多音字姓名这类低频细节 ，数据与结论，在人工智能领域有个专门的说法 ，可拿去数据库一查 ，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 ，模型的参数相当于对所读内容的高度概括 ，而是末尾那串似真似假的参考文献 。 另一个推手来自信息的缺失与压缩。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” 。合作者顺序、要么查无此文 ，查得到的留下，它越容易礼貌地给出一个编造得滴水不漏的结果。出版年份一应俱全，精确的卷期页码 、语法顺 、因为它的训练目标里并没有“承认不知道”这一项 ，反而倾向于补全一个格式完整 、 理解这个问题的起点 ，很难被完整保留下来 。它便按照这套概率结构把看起来最合理的词拼在一起 。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，细节像，于是当被要求列参考文献时 ，