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