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