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