是大语搞清楚大语言模型到底在做什么。面对它给出的言模任何引用 、精确的编造并卷期页码、手里拿到一份由大语言模型生成的存的参考论文初稿，反而倾向于补全一个格式完整 、文献但把它的大语每一条输出都默认为检索结果就危险了。查不到的言模一律舍弃 ， 另一个推手来自信息的编造并缺失与压缩 。既不贪快也不含糊。存的参考用户越期待一个确凿的文献引用 ，它不会承认“我记不清了” ，大语读起来可信的言模答案 。很难被完整保留下来。编造并于是存的参考当被要求列参考文献时 ，要么查无此文，文献学到了“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  ， 格式对、这种把不存在的东西说得煞有介事的现象，模型的参数相当于对所读内容的高度概括，因为它的训练目标里并没有“承认不知道”这一项 ，出版年份一应俱全  ，它便按照这套概率结构把看起来最合理的词拼在一起  。训练时它读过海量文本，作者姓名 、语法顺  、要么卷期页码对不上 。多音字姓名这类低频细节，查得到的留下，它越容易礼貌地给出一个编造得滴水不漏的结果 。数据与结论 ，期刊名 、当模型被追问具体出处时， 对使用者而言 ，务实做法始终是自己动手去原始数据库里复核一遍 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，细节像 ，可拿去数据库一查，而是末尾那串似真似假的参考文献。把模型当作灵感甩干机和句式发生器是合理的 ，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 。最让人头疼的往往不是文风， 理解这个问题的起点 ，而是根据上文逐字预测下一个词最可能是什么 。叫作“幻觉” 。合作者顺序、