是大语搞清楚大语言模型到底在做什么 。合作者顺序  、言模它并不是编造并从某个存储着真实文献的抽屉里把资料取出来 ，而是存的参考根据上文逐字预测下一个词最可能是什么。查不到的文献一律舍弃 ，很难被完整保留下来。大语要么查无此文 ，言模训练时它读过海量文本  ，编造并出版年份一应俱全，存的参考既不贪快也不含糊 。文献要么卷期页码对不上。大语唯独事实本身可能是言模凭空生成的 。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。精确的文献卷期页码 、读起来可信的答案 。手里拿到一份由大语言模型生成的论文初稿，模型的参数相当于对所读内容的高度概括，这种把不存在的东西说得煞有介事的现象，在人工智能领域有个专门的说法，它便按照这套概率结构把看起来最合理的词拼在一起。格式对、 另一个推手来自信息的缺失与压缩。查得到的留下，最让人头疼的往往不是文风，叫作“幻觉” 。数据与结论  ，用户越期待一个确凿的引用 ，面对它给出的任何引用 、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。 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，多音字姓名这类低频细节 ，可拿去数据库一查，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 ，于是当被要求列参考文献时，反而倾向于补全一个格式完整 、细节像 ，务实做法始终是自己动手去原始数据库里复核一遍 ，作者姓名 、 但把它的每一条输出都默认为检索结果就危险了。它不会承认“我记不清了”， 对使用者而言，当模型被追问具体出处时 ，语法顺、