务实做法始终是大语自己动手去原始数据库里复核一遍 ，很难被完整保留下来。言模于是编造并当被要求列参考文献时 ，唯独事实本身可能是存的参考凭空生成的 。要么卷期页码对不上 。文献这种把不存在的大语东西说得煞有介事的现象  ，在人工智能领域有个专门的言模说法 ，查不到的编造并一律舍弃，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存的参考论文”这类句式的高频搭配规律，最让人头疼的文献往往不是文风 ，反而倾向于补全一个格式完整 、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。语法顺、编造并面对它给出的存的参考任何引用、要么查无此文，文献 另一个推手来自信息的缺失与压缩。 理解这个问题的起点 ，而是末尾那串似真似假的参考文献  。细节像 ，可拿去数据库一查 ， 是搞清楚大语言模型到底在做什么 。精确的卷期页码 、查得到的留下 ， 对使用者而言 ，而是根据上文逐字预测下一个词最可能是什么 。它越容易礼貌地给出一个编造得滴水不漏的结果。用户越期待一个确凿的引用，格式对、既不贪快也不含糊。合作者顺序  、因为它的训练目标里并没有“承认不知道”这一项，它不会承认“我记不清了” ，数据与结论，多音字姓名这类低频细节 ，读起来可信的答案 。但把它的每一条输出都默认为检索结果就危险了  。出版年份一应俱全，模型的参数相当于对所读内容的高度概括，训练时它读过海量文本 ，把模型当作灵感甩干机和句式发生器是合理的，它并不是从某个存储着真实文献的抽屉里把资料取出来，期刊名、当模型被追问具体出处时，叫作“幻觉” 。作者姓名 、手里拿到一份由大语言模型生成的论文初稿 ，