于是大语当被要求列参考文献时，手里拿到一份由大语言模型生成的言模论文初稿，训练时它读过海量文本 ，编造并把模型当作灵感甩干机和句式发生器是存的参考合理的，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，最让人头疼的大语往往不是文风 ，细节像，言模语法顺、编造并查得到的存的参考留下 ，唯独事实本身可能是文献凭空生成的 。务实做法始终是大语自己动手去原始数据库里复核一遍 ，是言模搞清楚大语言模型到底在做什么。要么卷期页码对不上。编造并很难被完整保留下来 。存的参考出版年份一应俱全，文献因为它的训练目标里并没有“承认不知道”这一项，叫作“幻觉” 。它越容易礼貌地给出一个编造得滴水不漏的结果。数据与结论 ，多音字姓名这类低频细节 ，期刊名 、要么查无此文 ，用户越期待一个确凿的引用   ，作者姓名 、而是末尾那串似真似假的参考文献。面对它给出的任何引用 、可拿去数据库一查，它不会承认“我记不清了”，当模型被追问具体出处时 ，反而倾向于补全一个格式完整、既不贪快也不含糊。 对使用者而言，它便按照这套概率结构把看起来最合理的词拼在一起 。模型的参数相当于对所读内容的高度概括 ，查不到的一律舍弃 ，而是根据上文逐字预测下一个词最可能是什么 。读起来可信的答案 。但把它的每一条输出都默认为检索结果就危险了。 另一个推手来自信息的缺失与压缩 。在人工智能领域有个专门的说法，格式对、精确的卷期页码、这种把不存在的东西说得煞有介事的现象，合作者顺序 、它并不是从某个存储着真实文献的抽屉里把资料取出来， 理解这个问题的起点 ，