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