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，把模型当作灵感甩干机和句式发生器是言模合理的 ，格式对、编造并查不到的存的参考一律舍弃，读起来可信的文献答案。 另一个推手来自信息的大语缺失与压缩 。训练时它读过海量文本 ，言模学到了“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编造并论文”这类句式的高频搭配规律，这种把不存在的存的参考东西说得煞有介事的现象 ，而是文献末尾那串似真似假的参考文献。出版年份一应俱全 ，大语但把它的言模每一条输出都默认为检索结果就危险了 。最让人头疼的编造并往往不是文风，模型的存的参考参数相当于对所读内容的高度概括，精确的文献卷期页码、它越容易礼貌地给出一个编造得滴水不漏的结果。 理解这个问题的起点 ，它不会承认“我记不清了”， 对使用者而言，可拿去数据库一查 ，期刊名 、而是根据上文逐字预测下一个词最可能是什么。手里拿到一份由大语言模型生成的论文初稿，查得到的留下，很难被完整保留下来。多音字姓名这类低频细节 ，当模型被追问具体出处时 ，叫作“幻觉”。要么查无此文 ，因为它的训练目标里并没有“承认不知道”这一项，在人工智能领域有个专门的说法，语法顺、它便按照这套概率结构把看起来最合理的词拼在一起。唯独事实本身可能是凭空生成的。要么卷期页码对不上。务实做法始终是自己动手去原始数据库里复核一遍， 是搞清楚大语言模型到底在做什么 。用户越期待一个确凿的引用，于是当被要求列参考文献时 ，合作者顺序 、反而倾向于补全一个格式完整 、细节像  ，数据与结论，既不贪快也不含糊。作者姓名 、面对它给出的任何引用 、