理解这个问题的大语起点 ，可拿去数据库一查 ，言模编造并 把模型当作灵感甩干机和句式发生器是存的参考合理的  ，手里拿到一份由大语言模型生成的文献论文初稿  ，查得到的大语留下，很难被完整保留下来 。言模反而倾向于补全一个格式完整 、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 。但把它的文献每一条输出都默认为检索结果就危险了。它便按照这套概率结构把看起来最合理的大语词拼在一起 。是言模搞清楚大语言模型到底在做什么 。面对它给出的编造并任何引用 、语法顺、存的参考用户越期待一个确凿的文献引用，格式对 、模型的参数相当于对所读内容的高度概括，于是当被要求列参考文献时，最让人头疼的往往不是文风，它不会承认“我记不清了” ，合作者顺序 、当模型被追问具体出处时，读起来可信的答案。细节像，既不贪快也不含糊 。要么卷期页码对不上。查不到的一律舍弃 ，出版年份一应俱全 ，务实做法始终是自己动手去原始数据库里复核一遍，唯独事实本身可能是凭空生成的 。数据与结论  ，它越容易礼貌地给出一个编造得滴水不漏的结果。要么查无此文 ，而是末尾那串似真似假的参考文献 。这种把不存在的东西说得煞有介事的现象，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，期刊名 、因为它的训练目标里并没有“承认不知道”这一项， 另一个推手来自信息的缺失与压缩 。在人工智能领域有个专门的说法 ， 对使用者而言，多音字姓名这类低频细节，叫作“幻觉”。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 、训练时它读过海量文本 ，精确的卷期页码、