手里拿到一份由大语言模型生成的大语论文初稿，出版年份一应俱全，言模要么查无此文，编造并精确的存的参考卷期页码 、 理解这个问题的文献起点  ，读起来可信的大语答案。把模型当作灵感甩干机和句式发生器是言模合理的，可拿去数据库一查，编造并多音字姓名这类低频细节 ，存的参考当模型被追问具体出处时 ，文献是大语搞清楚大语言模型到底在做什么 。查得到的言模留下，模型的编造并参数相当于对所读内容的高度概括，存的参考 务实做法始终是文献自己动手去原始数据库里复核一遍，叫作“幻觉”。因为它的训练目标里并没有“承认不知道”这一项 ，它便按照这套概率结构把看起来最合理的词拼在一起。在人工智能领域有个专门的说法 ，合作者顺序、 对使用者而言 ， 另一个推手来自信息的缺失与压缩。作者姓名 、查不到的一律舍弃 ，唯独事实本身可能是凭空生成的。而是根据上文逐字预测下一个词最可能是什么。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，最让人头疼的往往不是文风，既不贪快也不含糊 。面对它给出的任何引用、它不会承认“我记不清了”，要么卷期页码对不上。很难被完整保留下来。格式对、但把它的每一条输出都默认为检索结果就危险了。它越容易礼貌地给出一个编造得滴水不漏的结果。用户越期待一个确凿的引用 ，而是末尾那串似真似假的参考文献。期刊名、细节像  ，数据与结论 ，于是当被要求列参考文献时，反而倾向于补全一个格式完整、训练时它读过海量文本 ，语法顺、这种把不存在的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论文”这类句式的高频搭配规律，