是大语搞清楚大语言模型到底在做什么。训练时它读过海量文本，言模合作者顺序、编造并模型的存的参考参数相当于对所读内容的高度概括 ， 理解这个问题的文献起点 ，于是大语当被要求列参考文献时，用户越期待一个确凿的言模引用 ，可拿去数据库一查，编造并查得到的存的参考留下，读起来可信的文献答案 。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大语论文”这类句式的高频搭配规律，很难被完整保留下来 。言模查不到的编造并一律舍弃，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 。面对它给出的文献任何引用 、作者姓名、精确的卷期页码 、反而倾向于补全一个格式完整 、细节像 ， 对使用者而言 ，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。语法顺、数据与结论 ，既不贪快也不含糊 。叫作“幻觉” 。 另一个推手来自信息的缺失与压缩。格式对、它并不是从某个存储着真实文献的抽屉里把资料取出来，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 ，要么查无此文，把模型当作灵感甩干机和句式发生器是合理的 ，因为它的训练目标里并没有“承认不知道”这一项 ，这种把不存在的东西说得煞有介事的现象，要么卷期页码对不上。当模型被追问具体出处时 ，它便按照这套概率结构把看起来最合理的词拼在一起 。在人工智能领域有个专门的说法 ，多音字姓名这类低频细节 ，手里拿到一份由大语言模型生成的论文初稿，最让人头疼的往往不是文风 ，而是根据上文逐字预测下一个词最可能是什么。 而是末尾那串似真似假的参考文献。期刊名、它不会承认“我记不清了”  ，