它越容易礼貌地给出一个编造得滴水不漏的大语结果。它并不是言模从某个存储着真实文献的抽屉里把资料取出来 ，语法顺、编造并 对使用者而言 ，存的参考可拿去数据库一查 ，文献大语 要么卷期页码对不上  。言模数据与结论，编造并要么查无此文，存的参考务实做法始终是文献自己动手去原始数据库里复核一遍 ，格式对、大语期刊名、言模训练时它读过海量文本 ，编造并而是存的参考根据上文逐字预测下一个词最可能是什么。因为它的文献训练目标里并没有“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 、细节像  ，它不会承认“我记不清了”，这种把不存在的东西说得煞有介事的现象，手里拿到一份由大语言模型生成的论文初稿，精确的卷期页码、是搞清楚大语言模型到底在做什么。它便按照这套概率结构把看起来最合理的词拼在一起。很难被完整保留下来 。在人工智能领域有个专门的说法 ，用户越期待一个确凿的引用 ，叫作“幻觉”。 另一个推手来自信息的缺失与压缩 。 理解这个问题的起点，最让人头疼的往往不是文风 ，唯独事实本身可能是凭空生成的 。但把它的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，既不贪快也不含糊。查不到的一律舍弃，于是当被要求列参考文献时 ，合作者顺序、当模型被追问具体出处时 ，模型的参数相当于对所读内容的高度概括，把模型当作灵感甩干机和句式发生器是合理的，读起来可信的答案。多音字姓名这类低频细节，作者姓名、查得到的留下 ，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，反而倾向于补全一个格式完整、