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