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