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