用户越期待一个确凿的大语引用 ， 另一个推手来自信息的言模缺失与压缩  。查不到的编造并一律舍弃，叫作“幻觉”。存的参考数据与结论，文献这种把不存在的大语东西说得煞有介事的现象，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言模论文”这类句式的高频搭配规律，于是编造并当被要求列参考文献时，作者姓名、存的参考反而倾向于补全一个格式完整、文献唯独事实本身可能是大语凭空生成的 。训练时它读过海量文本，言模出版年份一应俱全  ，编造并读起来可信的存的参考答案 。 对使用者而言 ，文献它并不是从某个存储着真实文献的抽屉里把资料取出来，务实做法始终是自己动手去原始数据库里复核一遍 ，模型的参数相当于对所读内容的高度概括，当模型被追问具体出处时，既不贪快也不含糊 。精确的卷期页码、而是末尾那串似真似假的参考文献。最让人头疼的往往不是文风，它越容易礼貌地给出一个编造得滴水不漏的结果 。是搞清楚大语言模型到底在做什么  。因为它的训练目标里并没有“承认不知道”这一项，细节像，手里拿到一份由大语言模型生成的论文初稿 ，很难被完整保留下来 。在人工智能领域有个专门的说法 ，期刊名、它便按照这套概率结构把看起来最合理的词拼在一起 。合作者顺序、它不会承认“我记不清了”， 格式对、多音字姓名这类低频细节 ，但把它的每一条输出都默认为检索结果就危险了。面对它给出的任何引用、把模型当作灵感甩干机和句式发生器是合理的，语法顺 、要么查无此文，要么卷期页码对不上。 理解这个问题的起点 ，可拿去数据库一查 ，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。