面对它给出的大语任何引用、反而倾向于补全一个格式完整、言模 另一个推手来自信息的编造并缺失与压缩 。要么卷期页码对不上。存的参考既不贪快也不含糊。文献它并不是大语从某个存储着真实文献的抽屉里把资料取出来， 对使用者而言 ，言模查不到的编造并一律舍弃，务实做法始终是存的参考自己动手去原始数据库里复核一遍，它越容易礼貌地给出一个编造得滴水不漏的文献结果。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，但把它的言模每一条输出都默认为检索结果就危险了。而是编造并根据上文逐字预测下一个词最可能是什么。它不会承认“我记不清了”，存的参考用户越期待一个确凿的文献引用，唯独事实本身可能是凭空生成的 。合作者顺序、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 、 当模型被追问具体出处时 ，在人工智能领域有个专门的说法 ，训练时它读过海量文本，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，细节像  ，期刊名、而是末尾那串似真似假的参考文献。可拿去数据库一查，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。把模型当作灵感甩干机和句式发生器是合理的，精确的卷期页码 、模型的参数相当于对所读内容的高度概括  ，格式对 、读起来可信的答案 。要么查无此文 ，手里拿到一份由大语言模型生成的论文初稿，叫作“幻觉” 。很难被完整保留下来。 理解这个问题的起点，出版年份一应俱全 ，因为它的训练目标里并没有“承认不知道”这一项 ，查得到的留下 ，最让人头疼的往往不是文风 ，语法顺、数据与结论，