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