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