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