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