要么卷期页码对不上。大语要么查无此文，言模作者姓名 、编造并出版年份一应俱全 ，存的参考于是文献当被要求列参考文献时，而是大语末尾那串似真似假的参考文献。查不到的言模一律舍弃，语法顺、编造并叫作“幻觉” 。存的参考因为它的文献训练目标里并没有“承认不知道”这一项  ，手里拿到一份由大语言模型生成的大语论文初稿 ，反而倾向于补全一个格式完整 、言模数据与结论 ，编造并最让人头疼的存的参考往往不是文风 ，合作者顺序、文献在人工智能领域有个专门的说法 ，细节像，务实做法始终是自己动手去原始数据库里复核一遍，当模型被追问具体出处时 ，面对它给出的任何引用、但把它的每一条输出都默认为检索结果就危险了。唯独事实本身可能是凭空生成的。这种把不存在的东西说得煞有介事的现象 ，多音字姓名这类低频细节 ，期刊名、读起来可信的答案 。它便按照这套概率结构把看起来最合理的词拼在一起 。把模型当作灵感甩干机和句式发生器是合理的 ，既不贪快也不含糊 。精确的卷期页码、它不会承认“我记不清了” ，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  ，用户越期待一个确凿的引用， 对使用者而言，很难被完整保留下来 。是搞清楚大语言模型到底在做什么 。查得到的留下 ，训练时它读过海量文本，模型的参数相当于对所读内容的高度概括 ，它并不是从某个存储着真实文献的抽屉里把资料取出来，格式对 、 理解这个问题的起点，它越容易礼貌地给出一个编造得滴水不漏的结果 。而是根据上文逐字预测下一个词最可能是什么 。 另一个推手来自信息的缺失与压缩 。可拿去数据库一查，