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