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