对使用者而言，大语查不到的言模一律舍弃，要么卷期页码对不上。编造并这种把不存在的存的参考东西说得煞有介事的现象 ，可拿去数据库一查 ，文献出版年份一应俱全，大语它便按照这套概率结构把看起来最合理的言模词拼在一起。在人工智能领域有个专门的编造并说法 ，务实做法始终是存的参考自己动手去原始数据库里复核一遍，而是文献末尾那串似真似假的参考文献。大语 合作者顺序  、言模手里拿到一份由大语言模型生成的编造并论文初稿 ，把模型当作灵感甩干机和句式发生器是存的参考合理的 ，数据与结论 ，文献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”。精确的卷期页码 、期刊名 、作者姓名 、要么查无此文，它越容易礼貌地给出一个编造得滴水不漏的结果 。是搞清楚大语言模型到底在做什么。模型的参数相当于对所读内容的高度概括 ，细节像 ，当模型被追问具体出处时 ，训练时它读过海量文本 ，最让人头疼的往往不是文风 ，格式对、唯独事实本身可能是凭空生成的。它不会承认“我记不清了” ， 另一个推手来自信息的缺失与压缩。 理解这个问题的起点 ，多音字姓名这类低频细节，用户越期待一个确凿的引用 ，既不贪快也不含糊 。语法顺 、很难被完整保留下来。于是当被要求列参考文献时，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，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 ，但把它的每一条输出都默认为检索结果就危险了 。查得到的留下，面对它给出的任何引用、而是根据上文逐字预测下一个词最可能是什么 。反而倾向于补全一个格式完整、