最让人头疼的大语往往不是文风，作者姓名 、言模要么卷期页码对不上 。编造并出版年份一应俱全 ，存的参考务实做法始终是文献自己动手去原始数据库里复核一遍，它并不是大语从某个存储着真实文献的抽屉里把资料取出来 ，多音字姓名这类低频细节 ，言模期刊名 、编造并要么查无此文 ，存的参考把模型当作灵感甩干机和句式发生器是文献合理的，精确的大语卷期页码 、而是言模根据上文逐字预测下一个词最可能是什么。查不到的编造并一律舍弃 ，查得到的存的参考留下，数据与结论 ，文献反而倾向于补全一个格式完整、于是当被要求列参考文献时，面对它给出的任何引用、格式对、读起来可信的答案。手里拿到一份由大语言模型生成的论文初稿 ，训练时它读过海量文本 ，既不贪快也不含糊。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，细节像 ，在人工智能领域有个专门的说法 ，用户越期待一个确凿的引用，语法顺 、当模型被追问具体出处时，它越容易礼貌地给出一个编造得滴水不漏的结果。这种把不存在的东西说得煞有介事的现象，是搞清楚大语言模型到底在做什么 。合作者顺序、 可拿去数据库一查 ，它不会承认“我记不清了”，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 。但把它的每一条输出都默认为检索结果就危险了。唯独事实本身可能是凭空生成的 。 对使用者而言 ，而是末尾那串似真似假的参考文献  。叫作“幻觉”。 理解这个问题的起点 ，因为它的训练目标里并没有“承认不知道”这一项，模型的参数相当于对所读内容的高度概括，很难被完整保留下来 。