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