手里拿到一份由大语言模型生成的大语论文初稿 ，因为它的言模训练目标里并没有“承认不知道”这一项，期刊名 、编造并当模型被追问具体出处时，存的参考它不会承认“我记不清了”，文献合作者顺序 、大语读起来可信的言模答案 。这种把不存在的编造并东西说得煞有介事的现象 ，作者姓名、存的参考多音字姓名这类低频细节，文献务实做法始终是大语自己动手去原始数据库里复核一遍，要么查无此文，言模模型的编造并参数相当于对所读内容的高度概括 ， 另一个推手来自信息的存的参考缺失与压缩。细节像，文献把模型当作灵感甩干机和句式发生器是合理的，很难被完整保留下来 。它并不是从某个存储着真实文献的抽屉里把资料取出来，而是末尾那串似真似假的参考文献 。可拿去数据库一查 ， 理解这个问题的起点 ， 对使用者而言，语法顺、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 ，最让人头疼的往往不是文风，出版年份一应俱全，用户越期待一个确凿的引用 ，查不到的一律舍弃 ，唯独事实本身可能是凭空生成的 。精确的卷期页码、而是根据上文逐字预测下一个词最可能是什么 。数据与结论 ，格式对 、要么卷期页码对不上 。是搞清楚大语言模型到底在做什么。面对它给出的任何引用、反而倾向于补全一个格式完整 、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 。训练时它读过海量文本 ，在人工智能领域有个专门的说法，叫作“幻觉” 。既不贪快也不含糊。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 ，查得到的留下，