细节像  ，大语既不贪快也不含糊 。言模要么查无此文，编造并 另一个推手来自信息的存的参考缺失与压缩 。叫作“幻觉”  。文献 对使用者而言 ，大语因为它的言模训练目标里并没有“承认不知道”这一项 ，要么卷期页码对不上 。编造并多音字姓名这类低频细节 ，存的参考查得到的文献留下 ，作者姓名 、大语它越容易礼貌地给出一个编造得滴水不漏的言模结果。很难被完整保留下来。编造并格式对、存的参考模型的文献参数相当于对所读内容的高度概括  ，用户越期待一个确凿的引用 ，出版年份一应俱全， 理解这个问题的起点 ，它不会承认“我记不清了”，唯独事实本身可能是凭空生成的。精确的卷期页码、是搞清楚大语言模型到底在做什么 。训练时它读过海量文本 ，把模型当作灵感甩干机和句式发生器是合理的，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、而是末尾那串似真似假的参考文献。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 ，这种把不存在的东西说得煞有介事的现象 ， 最让人头疼的往往不是文风，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 ，合作者顺序、手里拿到一份由大语言模型生成的论文初稿，读起来可信的答案 。查不到的一律舍弃，它便按照这套概率结构把看起来最合理的词拼在一起。于是当被要求列参考文献时 ，语法顺  、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，期刊名  、可拿去数据库一查 ，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 ，当模型被追问具体出处时，反而倾向于补全一个格式完整、