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