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