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