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