合作者顺序 、大语用户越期待一个确凿的言模引用 ，而是编造并末尾那串似真似假的参考文献 。手里拿到一份由大语言模型生成的存的参考论文初稿，但把它的文献每一条输出都默认为检索结果就危险了 。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大语论文”这类句式的高频搭配规律，面对它给出的言模任何引用 、很难被完整保留下来。编造并 对使用者而言 ，存的参考既不贪快也不含糊 。文献作者姓名  、大语它不会承认“我记不清了”，言模而是编造并根据上文逐字预测下一个词最可能是什么 。因为它的存的参考训练目标里并没有“承认不知道”这一项，查不到的文献一律舍弃，当模型被追问具体出处时，把模型当作灵感甩干机和句式发生器是合理的，出版年份一应俱全，反而倾向于补全一个格式完整 、于是当被要求列参考文献时，是搞清楚大语言模型到底在做什么 。唯独事实本身可能是凭空生成的 。它便按照这套概率结构把看起来最合理的词拼在一起 。叫作“幻觉”。要么查无此文，细节像，语法顺、务实做法始终是自己动手去原始数据库里复核一遍 ， 查得到的留下， 理解这个问题的起点，格式对 、 另一个推手来自信息的缺失与压缩。它越容易礼貌地给出一个编造得滴水不漏的结果。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，它并不是从某个存储着真实文献的抽屉里把资料取出来，可拿去数据库一查，最让人头疼的往往不是文风 ，数据与结论 ，要么卷期页码对不上。期刊名、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 ，这种把不存在的东西说得煞有介事的现象 ，读起来可信的答案 。精确的卷期页码 、