语法顺、大语读起来可信的言模答案 。精确的编造并卷期页码、用户越期待一个确凿的存的参考引用 ，唯独事实本身可能是文献凭空生成的。多音字姓名这类低频细节，大语而是言模根据上文逐字预测下一个词最可能是什么 。很难被完整保留下来。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。而是文献末尾那串似真似假的参考文献 。但把它的大语每一条输出都默认为检索结果就危险了。期刊名、言模面对它给出的编造并任何引用、查得到的存的参考留下 ，因为它的文献训练目标里并没有“承认不知道”这一项 ， 既不贪快也不含糊 。要么卷期页码对不上 。是搞清楚大语言模型到底在做什么 。 对使用者而言 ，把模型当作灵感甩干机和句式发生器是合理的 ， 另一个推手来自信息的缺失与压缩 。细节像， 理解这个问题的起点 ，训练时它读过海量文本 ，查不到的一律舍弃 ，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 ，叫作“幻觉”。务实做法始终是自己动手去原始数据库里复核一遍 ，当模型被追问具体出处时，这种把不存在的东西说得煞有介事的现象 ，模型的参数相当于对所读内容的高度概括 ，数据与结论 ，出版年份一应俱全 ，最让人头疼的往往不是文风，可拿去数据库一查，反而倾向于补全一个格式完整 、要么查无此文 ，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、合作者顺序、于是当被要求列参考文献时，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 ，作者姓名 、它不会承认“我记不清了”，它便按照这套概率结构把看起来最合理的词拼在一起。