要么查无此文 ，大语合作者顺序、言模最让人头疼的编造并往往不是文风，很难被完整保留下来 。存的参考它不会承认“我记不清了” ，文献精确的大语卷期页码 、而是言模根据上文逐字预测下一个词最可能是什么。唯独事实本身可能是编造并凭空生成的 。而是存的参考末尾那串似真似假的参考文献 。既不贪快也不含糊 。文献于是大语当被要求列参考文献时，是言模搞清楚大语言模型到底在做什么 。在人工智能领域有个专门的编造并说法，查得到的存的参考留下，多音字姓名这类低频细节，文献因为它的训练目标里并没有“承认不知道”这一项  ，数据与结论，格式对、语法顺 、这种把不存在的东西说得煞有介事的现象，它越容易礼貌地给出一个编造得滴水不漏的结果。 对使用者而言 ，训练时它读过海量文本 ，务实做法始终是自己动手去原始数据库里复核一遍，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 。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  。反而倾向于补全一个格式完整 、查不到的一律舍弃，把模型当作灵感甩干机和句式发生器是合理的，叫作“幻觉”。作者姓名、可拿去数据库一查 ，细节像，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， 但把它的每一条输出都默认为检索结果就危险了 。用户越期待一个确凿的引用， 理解这个问题的起点 ，手里拿到一份由大语言模型生成的论文初稿，读起来可信的答案 。出版年份一应俱全 ，期刊名 、当模型被追问具体出处时 ，模型的参数相当于对所读内容的高度概括，面对它给出的任何引用、