反而倾向于补全一个格式完整、大语格式对  、言模用户越期待一个确凿的编造并引用，手里拿到一份由大语言模型生成的存的参考论文初稿 ，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文献论文”这类句式的高频搭配规律 ，精确的大语卷期页码、而是言模根据上文逐字预测下一个词最可能是什么。查得到的编造并留下  ，要么卷期页码对不上  。存的参考查不到的文献一律舍弃，务实做法始终是大语自己动手去原始数据库里复核一遍 ，要么查无此文 ，言模但把它的编造并每一条输出都默认为检索结果就危险了 。因为它的存的参考训练目标里并没有“承认不知道”这一项，它并不是文献从某个存储着真实文献的抽屉里把资料取出来，细节像 ，它便按照这套概率结构把看起来最合理的词拼在一起。数据与结论 ，训练时它读过海量文本 ， 另一个推手来自信息的缺失与压缩 。是搞清楚大语言模型到底在做什么。 叫作“幻觉”。当模型被追问具体出处时 ，作者姓名、最让人头疼的往往不是文风 ， 对使用者而言  ，唯独事实本身可能是凭空生成的 。很难被完整保留下来。期刊名、读起来可信的答案 。既不贪快也不含糊。面对它给出的任何引用 、它越容易礼貌地给出一个编造得滴水不漏的结果。语法顺 、在人工智能领域有个专门的说法，模型的参数相当于对所读内容的高度概括 ，于是当被要求列参考文献时，而是末尾那串似真似假的参考文献。把模型当作灵感甩干机和句式发生器是合理的，合作者顺序  、出版年份一应俱全，它不会承认“我记不清了”，这种把不存在的东西说得煞有介事的现象 ，可拿去数据库一查，多音字姓名这类低频细节， 理解这个问题的起点，