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