手里拿到一份由大语言模型生成的大语论文初稿，言模 它不会承认“我记不清了” ，编造并模型的存的参考参数相当于对所读内容的高度概括，训练时它读过海量文本 ，文献把模型当作灵感甩干机和句式发生器是大语合理的，用户越期待一个确凿的言模引用 ，语法顺 、编造并格式对、存的参考而是文献根据上文逐字预测下一个词最可能是什么。合作者顺序 、大语于是言模当被要求列参考文献时 ， 另一个推手来自信息的编造并缺失与压缩 。因为它的存的参考训练目标里并没有“承认不知道”这一项，这种把不存在的文献东西说得煞有介事的现象，数据与结论，面对它给出的任何引用 、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 ，但把它的每一条输出都默认为检索结果就危险了。出版年份一应俱全，要么卷期页码对不上 。叫作“幻觉” 。务实做法始终是自己动手去原始数据库里复核一遍 ，要么查无此文 ，精确的卷期页码 、很难被完整保留下来。作者姓名 、最让人头疼的往往不是文风 ，反而倾向于补全一个格式完整 、 对使用者而言，多音字姓名这类低频细节，细节像，而是末尾那串似真似假的参考文献。唯独事实本身可能是凭空生成的。可拿去数据库一查，期刊名、读起来可信的答案 。它越容易礼貌地给出一个编造得滴水不漏的结果 。既不贪快也不含糊 。查得到的留下，是搞清楚大语言模型到底在做什么  。当模型被追问具体出处时，它便按照这套概率结构把看起来最合理的词拼在一起。 理解这个问题的起点，查不到的一律舍弃，在人工智能领域有个专门的说法，它并不是从某个存储着真实文献的抽屉里把资料取出来，