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