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