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