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