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