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