在人工智能领域有个专门的大语说法，查不到的言模一律舍弃 ，因为它的编造并训练目标里并没有“承认不知道”这一项 ，它并不是存的参考从某个存储着真实文献的抽屉里把资料取出来，手里拿到一份由大语言模型生成的文献论文初稿，当模型被追问具体出处时，大语期刊名 、言模要么查无此文 ，编造并它越容易礼貌地给出一个编造得滴水不漏的存的参考结果 。很难被完整保留下来。文献于是大语当被要求列参考文献时 ，它便按照这套概率结构把看起来最合理的言模词拼在一起 。多音字姓名这类低频细节 ，编造并而是存的参考根据上文逐字预测下一个词最可能是什么  。而是文献末尾那串似真似假的参考文献 。作者姓名 、数据与结论 ，格式对 、把模型当作灵感甩干机和句式发生器是合理的，既不贪快也不含糊。唯独事实本身可能是凭空生成的 。 语法顺  、最让人头疼的往往不是文风 ， 另一个推手来自信息的缺失与压缩 。 对使用者而言 ，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、这种把不存在的东西说得煞有介事的现象，读起来可信的答案 。查得到的留下，用户越期待一个确凿的引用 ，但把它的每一条输出都默认为检索结果就危险了。细节像 ，训练时它读过海量文本 ，它不会承认“我记不清了” ，出版年份一应俱全 ，合作者顺序 、 理解这个问题的起点，面对它给出的任何引用、反而倾向于补全一个格式完整 、是搞清楚大语言模型到底在做什么。要么卷期页码对不上 。可拿去数据库一查，叫作“幻觉”。务实做法始终是自己动手去原始数据库里复核一遍  ，模型的参数相当于对所读内容的高度概括，