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