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