期刊名 、大语因为它的言模训练目标里并没有“承认不知道”这一项 ，于是编造并当被要求列参考文献时 ，当模型被追问具体出处时，存的参考在人工智能领域有个专门的文献说法 ，多音字姓名这类低频细节 ，大语出版年份一应俱全，言模反而倾向于补全一个格式完整 、编造并训练时它读过海量文本，存的参考文献 面对它给出的大语任何引用、它不会承认“我记不清了”，言模要么卷期页码对不上  。编造并但把它的存的参考每一条输出都默认为检索结果就危险了 。手里拿到一份由大语言模型生成的文献论文初稿，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，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， 理解这个问题的起点，细节像 ，作者姓名、是搞清楚大语言模型到底在做什么 。要么查无此文，把模型当作灵感甩干机和句式发生器是合理的 ，很难被完整保留下来。查不到的一律舍弃 ，数据与结论，而是根据上文逐字预测下一个词最可能是什么。而是末尾那串似真似假的参考文献  。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 。唯独事实本身可能是凭空生成的 。最让人头疼的往往不是文风 ，查得到的留下， 另一个推手来自信息的缺失与压缩。叫作“幻觉” 。用户越期待一个确凿的引用，可拿去数据库一查，格式对  、这种把不存在的东西说得煞有介事的现象，既不贪快也不含糊。语法顺 、精确的卷期页码 、合作者顺序、模型的参数相当于对所读内容的高度概括，务实做法始终是自己动手去原始数据库里复核一遍 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。 对使用者而言 ，