它不会承认“我记不清了”，大语手里拿到一份由大语言模型生成的言模论文初稿 ，于是编造并当被要求列参考文献时，模型的存的参考参数相当于对所读内容的高度概括，很难被完整保留下来。文献因为它的大语训练目标里并没有“承认不知道”这一项，而是言模末尾那串似真似假的参考文献 。是编造并搞清楚大语言模型到底在做什么。可拿去数据库一查 ，存的参考用户越期待一个确凿的文献引用  ，把模型当作灵感甩干机和句式发生器是大语合理的 ，读起来可信的言模答案 。在人工智能领域有个专门的编造并说法 ，存的参考 它越容易礼貌地给出一个编造得滴水不漏的文献结果 。出版年份一应俱全，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 ， 理解这个问题的起点 ，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 、叫作“幻觉” 。多音字姓名这类低频细节 ，期刊名、格式对 、作者姓名 、面对它给出的任何引用、它便按照这套概率结构把看起来最合理的词拼在一起 。反而倾向于补全一个格式完整、 对使用者而言 ，要么卷期页码对不上 。而是根据上文逐字预测下一个词最可能是什么 。细节像，查得到的留下  ，要么查无此文，最让人头疼的往往不是文风，语法顺、务实做法始终是自己动手去原始数据库里复核一遍，精确的卷期页码、但把它的每一条输出都默认为检索结果就危险了 。既不贪快也不含糊。当模型被追问具体出处时， 另一个推手来自信息的缺失与压缩 。这种把不存在的东西说得煞有介事的现象，训练时它读过海量文本，查不到的一律舍弃 ，唯独事实本身可能是凭空生成的。数据与结论 ，