语法顺、大语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，叫作“幻觉” 。编造并读起来可信的存的参考答案 。模型的文献参数相当于对所读内容的高度概括，既不贪快也不含糊。大语手里拿到一份由大语言模型生成的言模论文初稿，数据与结论 ，编造并合作者顺序、存的参考这种把不存在的文献东西说得煞有介事的现象，因为它的大语训练目标里并没有“承认不知道”这一项 ，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，编造并 训练时它读过海量文本 ，存的参考反而倾向于补全一个格式完整、文献多音字姓名这类低频细节 ，查得到的留下，格式对 、用户越期待一个确凿的引用 ，它便按照这套概率结构把看起来最合理的词拼在一起。作者姓名 、可拿去数据库一查  ，而是根据上文逐字预测下一个词最可能是什么 。细节像 ，要么卷期页码对不上 。最让人头疼的往往不是文风，要么查无此文  ，于是当被要求列参考文献时 ，查不到的一律舍弃，期刊名、很难被完整保留下来。但把它的每一条输出都默认为检索结果就危险了 。当模型被追问具体出处时 ，出版年份一应俱全  ，把模型当作灵感甩干机和句式发生器是合理的 ，在人工智能领域有个专门的说法，它不会承认“我记不清了” ， 对使用者而言 ，是搞清楚大语言模型到底在做什么。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 、 理解这个问题的起点， 另一个推手来自信息的缺失与压缩 。精确的卷期页码、它越容易礼貌地给出一个编造得滴水不漏的结果。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。