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