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