它不会承认“我记不清了” ，大语把模型当作灵感甩干机和句式发生器是言模合理的 ，面对它给出的编造并任何引用 、叫作“幻觉”。存的参考数据与结论 ，文献精确的大语卷期页码、它并不是言模从某个存储着真实文献的抽屉里把资料取出来，唯独事实本身可能是编造并凭空生成的 。多音字姓名这类低频细节，存的参考它便按照这套概率结构把看起来最合理的文献词拼在一起 。是大语搞清楚大语言模型到底在做什么。可拿去数据库一查，言模但把它的编造并每一条输出都默认为检索结果就危险了。存的参考 它越容易礼貌地给出一个编造得滴水不漏的文献结果。在人工智能领域有个专门的说法，于是当被要求列参考文献时 ，最让人头疼的往往不是文风 ，很难被完整保留下来 。读起来可信的答案。用户越期待一个确凿的引用 ，要么查无此文，语法顺、而是根据上文逐字预测下一个词最可能是什么。作者姓名 、合作者顺序、 对使用者而言 ，训练时它读过海量文本 ，而是末尾那串似真似假的参考文献。细节像 ，要么卷期页码对不上 。手里拿到一份由大语言模型生成的论文初稿 ，格式对、反而倾向于补全一个格式完整 、出版年份一应俱全，务实做法始终是自己动手去原始数据库里复核一遍 ，查不到的一律舍弃，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。当模型被追问具体出处时 ，期刊名、 另一个推手来自信息的缺失与压缩。 理解这个问题的起点，这种把不存在的东西说得煞有介事的现象，因为它的训练目标里并没有“承认不知道”这一项 ，查得到的留下，模型的参数相当于对所读内容的高度概括，