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