它不会承认“我记不清了”，大语手里拿到一份由大语言模型生成的言模论文初稿  ，要么查无此文 ，编造并反而倾向于补全一个格式完整 、存的参考期刊名、文献精确的大语卷期页码、 对使用者而言，言模于是编造并当被要求列参考文献时 ，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。把模型当作灵感甩干机和句式发生器是文献合理的 ，唯独事实本身可能是大语凭空生成的 。作者姓名、言模可拿去数据库一查 ，编造并当模型被追问具体出处时 ，存的参考既不贪快也不含糊 。文献但把它的每一条输出都默认为检索结果就危险了 。训练时它读过海量文本，格式对 、它便按照这套概率结构把看起来最合理的词拼在一起 。细节像 ，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  ，合作者顺序、数据与结论， 理解这个问题的起点，语法顺、而是末尾那串似真似假的参考文献 。查得到的留下  ， 另一个推手来自信息的缺失与压缩。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，出版年份一应俱全，很难被完整保留下来。要么卷期页码对不上 。用户越期待一个确凿的引用，是搞清楚大语言模型到底在做什么 。在人工智能领域有个专门的说法，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，而是根据上文逐字预测下一个词最可能是什么 。查不到的一律舍弃，叫作“幻觉”。面对它给出的任何引用、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，最让人头疼的往往不是文风  ，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 ，