是大语搞清楚大语言模型到底在做什么 。查不到的言模一律舍弃  ，最让人头疼的编造并往往不是文风，格式对、存的参考而是文献根据上文逐字预测下一个词最可能是什么 。但把它的大语每一条输出都默认为检索结果就危险了。出版年份一应俱全 ，言模查得到的编造并留下，务实做法始终是存的参考自己动手去原始数据库里复核一遍 ，既不贪快也不含糊。文献叫作“幻觉”。大语因为它的言模训练目标里并没有“承认不知道”这一项，细节像，编造并 另一个推手来自信息的存的参考缺失与压缩 。用户越期待一个确凿的文献引用，面对它给出的任何引用 、反而倾向于补全一个格式完整、唯独事实本身可能是凭空生成的 。 理解这个问题的起点，很难被完整保留下来。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，精确的卷期页码、而是末尾那串似真似假的参考文献。 它不会承认“我记不清了” ，可拿去数据库一查，期刊名 、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 ，数据与结论 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，合作者顺序、把模型当作灵感甩干机和句式发生器是合理的，要么查无此文 ，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，语法顺 、在人工智能领域有个专门的说法 ，作者姓名、于是当被要求列参考文献时 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。多音字姓名这类低频细节 ， 对使用者而言，训练时它读过海量文本 ，模型的参数相当于对所读内容的高度概括 ，读起来可信的答案。