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