幻觉指模型生成看似合理但与事实不符或无中生有的内容，分两类：事实性幻觉（违背客观事实）和忠实性幻觉（偏离给定上下文或指令）。

成因：训练目标是下一个词预测，本质是概率续写而非事实检索，模型对'不知道的'同样输出高置信文本；训练语料含错误信息且存在长尾知识覆盖不足；SFT 阶段标注者演示了'不懂也敢答'的风格会放大问题；自回归生成中错误会逐步累积。

缓解手段：RAG 检索权威资料注入上下文，让回答有据可依，是当前最有效的工程手段；提示工程要求模型引用来源、不确定时明确说明；解码端降低 temperature 减少随机性；训练端用 RLHF/DPO 奖励'拒答未知'、提升事实一致性；产品端加来源引用与人工审核。需要清醒认识：幻觉无法彻底消除，只能降低频率并通过架构（检索、工具、校验）兜底。追问方向：如何评估幻觉率（FactScore、RAGAS 忠实度）？为什么闭卷问答比开卷更容易幻觉？