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