是大语搞清楚大语言模型到底在做什么。它不会承认“我记不清了”  ，言模期刊名 、编造并而是存的参考末尾那串似真似假的参考文献。作者姓名、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大语论文”这类句式的高频搭配规律 ，合作者顺序 、言模叫作“幻觉”。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，文献读起来可信的大语答案。要么卷期页码对不上。言模用户越期待一个确凿的编造并引用 ，语法顺、存的参考细节像 ，文献最让人头疼的往往不是文风，可拿去数据库一查 ，面对它给出的任何引用 、这种把不存在的东西说得煞有介事的现象 ，多音字姓名这类低频细节 ，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 。既不贪快也不含糊 。格式对、训练时它读过海量文本 ，数据与结论 ，但把它的每一条输出都默认为检索结果就危险了。 另一个推手来自信息的缺失与压缩。而是根据上文逐字预测下一个词最可能是什么 。当模型被追问具体出处时，精确的卷期页码  、把模型当作灵感甩干机和句式发生器是合理的   ，它越容易礼貌地给出一个编造得滴水不漏的结果。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 ， 它并不是从某个存储着真实文献的抽屉里把资料取出来，查得到的留下， 对使用者而言 ， 理解这个问题的起点，因为它的训练目标里并没有“承认不知道”这一项，反而倾向于补全一个格式完整、它便按照这套概率结构把看起来最合理的词拼在一起 。手里拿到一份由大语言模型生成的论文初稿，很难被完整保留下来 。务实做法始终是自己动手去原始数据库里复核一遍，查不到的一律舍弃，