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