合作者顺序、大语 另一个推手来自信息的言模缺失与压缩。当模型被追问具体出处时 ，编造并反而倾向于补全一个格式完整、存的参考训练时它读过海量文本 ，文献这种把不存在的大语东西说得煞有介事的现象，语法顺、言模要么卷期页码对不上。编造并叫作“幻觉” 。存的参考务实做法始终是文献自己动手去原始数据库里复核一遍  ，面对它给出的大语任何引用 、作者姓名、言模最让人头疼的编造并往往不是文风 ，期刊名  、存的参考 对使用者而言，文献它并不是从某个存储着真实文献的抽屉里把资料取出来，于是当被要求列参考文献时 ，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，既不贪快也不含糊。模型的参数相当于对所读内容的高度概括，出版年份一应俱全 ，可拿去数据库一查  ，数据与结论  ，它便按照这套概率结构把看起来最合理的词拼在一起 。细节像 ，手里拿到一份由大语言模型生成的论文初稿，在人工智能领域有个专门的说法 ，要么查无此文 ， 用户越期待一个确凿的引用，它越容易礼貌地给出一个编造得滴水不漏的结果 。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” ，唯独事实本身可能是凭空生成的 。读起来可信的答案 。 理解这个问题的起点，把模型当作灵感甩干机和句式发生器是合理的，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，很难被完整保留下来。查不到的一律舍弃，查得到的留下，但把它的每一条输出都默认为检索结果就危险了。格式对 、而是根据上文逐字预测下一个词最可能是什么 。是搞清楚大语言模型到底在做什么 。