精确的大语卷期页码、手里拿到一份由大语言模型生成的言模论文初稿 ，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 。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 。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 ，叫作“幻觉”。言模期刊名、编造并当模型被追问具体出处时 ，存的参考它越容易礼貌地给出一个编造得滴水不漏的文献结果 。面对它给出的大语任何引用  、要么查无此文，言模 另一个推手来自信息的编造并缺失与压缩 。在人工智能领域有个专门的存的参考说法，细节像 ，文献可拿去数据库一查，是搞清楚大语言模型到底在做什么 。查得到的留下 ，多音字姓名这类低频细节，唯独事实本身可能是凭空生成的 。 用户越期待一个确凿的引用，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，务实做法始终是自己动手去原始数据库里复核一遍 ，模型的参数相当于对所读内容的高度概括 ，既不贪快也不含糊 。出版年份一应俱全，这种把不存在的东西说得煞有介事的现象，作者姓名、要么卷期页码对不上。于是当被要求列参考文献时 ，它不会承认“我记不清了”，数据与结论，而是末尾那串似真似假的参考文献。语法顺、 对使用者而言  ，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，训练时它读过海量文本 ，格式对、合作者顺序、最让人头疼的往往不是文风 ，读起来可信的答案 。但把它的每一条输出都默认为检索结果就危险了 。查不到的一律舍弃， 理解这个问题的起点，因为它的训练目标里并没有“承认不知道”这一项，