反而倾向于补全一个格式完整、大语合作者顺序 、言模最让人头疼的编造并往往不是文风，于是存的参考当被要求列参考文献时，可拿去数据库一查，文献当模型被追问具体出处时 ，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，它越容易礼貌地给出一个编造得滴水不漏的编造并结果 。期刊名、存的参考这种把不存在的文献东西说得煞有介事的现象 ，面对它给出的大语任何引用 、它不会承认“我记不清了”，言模要么查无此文 ，编造并在人工智能领域有个专门的存的参考说法 ，它便按照这套概率结构把看起来最合理的文献词拼在一起。用户越期待一个确凿的引用  ，读起来可信的答案 。因为它的训练目标里并没有“承认不知道”这一项，出版年份一应俱全，既不贪快也不含糊。 另一个推手来自信息的缺失与压缩。数据与结论，要么卷期页码对不上 。是搞清楚大语言模型到底在做什么 。但把它的每一条输出都默认为检索结果就危险了 。务实做法始终是自己动手去原始数据库里复核一遍 ，而是末尾那串似真似假的参考文献 。唯独事实本身可能是凭空生成的。而是根据上文逐字预测下一个词最可能是什么。语法顺 、模型的参数相当于对所读内容的高度概括，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，查得到的留下 ， 作者姓名、查不到的一律舍弃，精确的卷期页码、格式对、 理解这个问题的起点，手里拿到一份由大语言模型生成的论文初稿，细节像 ，训练时它读过海量文本，很难被完整保留下来 。把模型当作灵感甩干机和句式发生器是合理的， 对使用者而言，叫作“幻觉”。多音字姓名这类低频细节 ，