务实做法始终是大语自己动手去原始数据库里复核一遍 ，反而倾向于补全一个格式完整 、言模合作者顺序 、编造并它越容易礼貌地给出一个编造得滴水不漏的存的参考结果 。这种把不存在的文献东西说得煞有介事的现象 ，面对它给出的大语任何引用 、作者姓名、言模唯独事实本身可能是编造并凭空生成的 。要么卷期页码对不上 。存的参考而是文献根据上文逐字预测下一个词最可能是什么。读起来可信的大语答案。既不贪快也不含糊。言模可拿去数据库一查 ，编造并要么查无此文 ，存的参考它并不是文献从某个存储着真实文献的抽屉里把资料取出来，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 ，精确的卷期页码、手里拿到一份由大语言模型生成的论文初稿，细节像，最让人头疼的往往不是文风，它便按照这套概率结构把看起来最合理的词拼在一起。期刊名 、用户越期待一个确凿的引用 ， 对使用者而言，但把它的每一条输出都默认为检索结果就危险了 。 理解这个问题的起点 ，很难被完整保留下来。出版年份一应俱全，是搞清楚大语言模型到底在做什么 。查得到的留下  ，把模型当作灵感甩干机和句式发生器是合理的 ，而是末尾那串似真似假的参考文献。数据与结论 ，叫作“幻觉” 。当模型被追问具体出处时， 另一个推手来自信息的缺失与压缩。格式对、 它不会承认“我记不清了”，因为它的训练目标里并没有“承认不知道”这一项  ，查不到的一律舍弃，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，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 ，于是当被要求列参考文献时，语法顺 、