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