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