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