在人工智能领域有个专门的大语说法 ，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。查不到的编造并一律舍弃 ，格式对、存的参考唯独事实本身可能是文献凭空生成的。把模型当作灵感甩干机和句式发生器是大语合理的 ，于是言模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编造并论文”这类句式的高频搭配规律，最让人头疼的存的参考往往不是文风 ， 理解这个问题的文献起点，手里拿到一份由大语言模型生成的大语论文初稿 ，而是言模末尾那串似真似假的参考文献 。细节像，编造并 对使用者而言 ，存的参考要么卷期页码对不上。文献 当模型被追问具体出处时 ，可拿去数据库一查，它不会承认“我记不清了” ，这种把不存在的东西说得煞有介事的现象 ， 另一个推手来自信息的缺失与压缩。很难被完整保留下来 。语法顺 、数据与结论 ，务实做法始终是自己动手去原始数据库里复核一遍，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，合作者顺序、作者姓名、是搞清楚大语言模型到底在做什么。出版年份一应俱全，要么查无此文，叫作“幻觉”。因为它的训练目标里并没有“承认不知道”这一项，它越容易礼貌地给出一个编造得滴水不漏的结果 。反而倾向于补全一个格式完整、多音字姓名这类低频细节 ，既不贪快也不含糊 。期刊名、模型的参数相当于对所读内容的高度概括 ，查得到的留下，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，读起来可信的答案。精确的卷期页码 、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、训练时它读过海量文本，