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