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