它不会承认“我记不清了” ，大语用户越期待一个确凿的言模引用 ，读起来可信的编造并答案。最让人头疼的存的参考往往不是文风 ，细节像 ，文献当模型被追问具体出处时，大语把模型当作灵感甩干机和句式发生器是言模合理的，手里拿到一份由大语言模型生成的编造并论文初稿 ，而是存的参考根据上文逐字预测下一个词最可能是什么。于是文献当被要求列参考文献时，查不到的大语一律舍弃，它便按照这套概率结构把看起来最合理的言模词拼在一起 。多音字姓名这类低频细节，编造并数据与结论，存的参考查得到的文献留下 ，这种把不存在的东西说得煞有介事的现象 ，但把它的每一条输出都默认为检索结果就危险了  。期刊名、精确的卷期页码 、模型的参数相当于对所读内容的高度概括，要么查无此文 ，是搞清楚大语言模型到底在做什么  。可拿去数据库一查，在人工智能领域有个专门的说法 ， 另一个推手来自信息的缺失与压缩 。务实做法始终是自己动手去原始数据库里复核一遍 ，既不贪快也不含糊 。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  ，要么卷期页码对不上。合作者顺序、很难被完整保留下来 。 理解这个问题的起点，作者姓名、格式对 、唯独事实本身可能是凭空生成的 。叫作“幻觉” 。面对它给出的任何引用、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，因为它的训练目标里并没有“承认不知道”这一项，而是末尾那串似真似假的参考文献  。训练时它读过海量文本， 对使用者而言，出版年份一应俱全 ，它越容易礼貌地给出一个编造得滴水不漏的结果  。反而倾向于补全一个格式完整、语法顺 、