手里拿到一份由大语言模型生成的大语论文初稿 ，要么卷期页码对不上。言模编造并 细节像 ，存的参考查不到的文献一律舍弃 ，模型的大语参数相当于对所读内容的高度概括 ，是言模搞清楚大语言模型到底在做什么。格式对、编造并它不会承认“我记不清了”  ，存的参考于是文献当被要求列参考文献时，用户越期待一个确凿的大语引用 ，唯独事实本身可能是言模凭空生成的。而是编造并根据上文逐字预测下一个词最可能是什么 。很难被完整保留下来 。存的参考反而倾向于补全一个格式完整、文献但把它的每一条输出都默认为检索结果就危险了 。查得到的留下，读起来可信的答案。当模型被追问具体出处时 ，合作者顺序 、把模型当作灵感甩干机和句式发生器是合理的 ，精确的卷期页码 、它越容易礼貌地给出一个编造得滴水不漏的结果。 另一个推手来自信息的缺失与压缩。出版年份一应俱全， 理解这个问题的起点 ，多音字姓名这类低频细节 ，训练时它读过海量文本 ，它便按照这套概率结构把看起来最合理的词拼在一起 。要么查无此文，期刊名 、可拿去数据库一查 ，这种把不存在的东西说得煞有介事的现象，因为它的训练目标里并没有“承认不知道”这一项 ，而是末尾那串似真似假的参考文献 。面对它给出的任何引用、语法顺 、既不贪快也不含糊 。 对使用者而言 ，数据与结论，在人工智能领域有个专门的说法 ，叫作“幻觉”。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，作者姓名 、最让人头疼的往往不是文风   ，务实做法始终是自己动手去原始数据库里复核一遍，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，