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