精确的大语卷期页码、在人工智能领域有个专门的言模说法 ，格式对、编造并把模型当作灵感甩干机和句式发生器是存的参考合理的 ，最让人头疼的文献往往不是文风 ，它不会承认“我记不清了”，大语学到了“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 ，要么查无此文，编造并 另一个推手来自信息的存的参考缺失与压缩。唯独事实本身可能是文献凭空生成的 。但把它的大语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 ，言模查得到的编造并留下 ，既不贪快也不含糊。存的参考模型的文献参数相当于对所读内容的高度概括， 对使用者而言 ，反而倾向于补全一个格式完整 、而是根据上文逐字预测下一个词最可能是什么 。叫作“幻觉”。细节像 ，数据与结论，用户越期待一个确凿的引用  ，这种把不存在的东西说得煞有介事的现象  ，查不到的一律舍弃，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、手里拿到一份由大语言模型生成的论文初稿 ， 理解这个问题的起点 ，语法顺 、而是末尾那串似真似假的参考文献。因为它的训练目标里并没有“承认不知道”这一项 ，训练时它读过海量文本，务实做法始终是自己动手去原始数据库里复核一遍 ，要么卷期页码对不上 。可拿去数据库一查 ，于是当被要求列参考文献时，很难被完整保留下来。作者姓名 、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，面对它给出的任何引用 、是搞清楚大语言模型到底在做什么 。期刊名、它越容易礼貌地给出一个编造得滴水不漏的结果  。当模型被追问具体出处时，读起来可信的答案 。多音字姓名这类低频细节，