有人让助手概括一本冷门小说的第三章，回答来得很快：人物、转折、甚至一句引文都安排得妥帖。问题在于，那本书只有两章。这类回答不是孤例，它有个被反复提起的名字——模型幻觉。
把它理解成“撒谎”并不准确。模型没有意图，也没有藏着真相的抽屉。它做的事情，是根据前文预测下一个最可能的词。训练目标奖励的是“像”，而不是“对”。当语料里关于某类问题的表述足够多，模型就能拼出一个高度可信的壳；壳里有没有东西，是另一回事。
流畅与真实，是两套机制
人读一段文字，会同时判断它说得顺不顺、有没有依据。模型把这两件事拆开了：前者是语言建模的强项，后者依赖外部事实的约束。约束松一点，回答就漂亮；约束紧一点，回答就变得迟疑、啰嗦，甚至拒答。产品体验和事实准确之间的这条缝，正是模型幻觉最容易钻出来的地方。
有人寄希望于检索增强：先查资料，再组织语言。这确实能压住一部分凭空编造，但也带来新的缝隙。检索到的片段可能本身过期，可能被断章取义，也可能与问题只是表面相关。模型把这些片段缝进回答时，仍然要做一次“合理推测”。推测一旦越界，幻觉就换个形式回来。
不是所有错误都该叫幻觉
边界值得分清。信息过时、问题本身含混、用户预设了错误前提，这些情况下的偏差，与模型凭空生成不存在的内容，是不同性质的问题。把它们统统装进一个词里，讨论容易失焦。真正需要盯住的，是模型在缺乏依据时仍然给出确定语气——那种“不知道自己不知道”的状态。
这也解释了一个反直觉的现象：回答越长、越具体，越要留个心眼。细节是幻觉的高发地带，因为细节最容易被语言惯性补全。一个年份、一个数字、一句所谓原话，往往比整体结论更容易露馅。
把“不确定”做成一种输出
想让模型幻觉彻底归零，短期内不现实。更务实的方向，是让不确定变得可表达。比如在事实性问题上要求给出处，出处对不上就不说；比如在置信度低时主动收窄结论，而不是硬凑一个完整答案；再比如在产品层面，把“这个问题我查不到可靠信息”设计成一种正常回复，而不是失败。
对使用者来说，判断力仍然要留在自己手里。遇到具体数字、引文、时间线，多问一句“依据是什么”，往往比换一个更大的模型更管用。模型可以把话说得很顺，但顺不顺和真不真，从来不是一回事。