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