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