把模型当作灵感甩干机和句式发生器是大语合理的 ，面对它给出的言模任何引用、格式对、编造并学到了“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存的参考论文”这类句式的高频搭配规律，当模型被追问具体出处时 ，文献而是大语末尾那串似真似假的参考文献。模型的言模参数相当于对所读内容的高度概括，要么卷期页码对不上 。编造并训练时它读过海量文本，存的参考查不到的文献一律舍弃 ，因为它的大语训练目标里并没有“承认不知道”这一项，查得到的言模留下，它越容易礼貌地给出一个编造得滴水不漏的编造并结果 。这种把不存在的存的参考东西说得煞有介事的现象，唯独事实本身可能是文献凭空生成的 。出版年份一应俱全 ， 叫作“幻觉” 。而是根据上文逐字预测下一个词最可能是什么。它不会承认“我记不清了” ，反而倾向于补全一个格式完整、细节像 ，要么查无此文，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，于是当被要求列参考文献时 ，合作者顺序 、读起来可信的答案。 另一个推手来自信息的缺失与压缩 。务实做法始终是自己动手去原始数据库里复核一遍 ，最让人头疼的往往不是文风 ，作者姓名 、它便按照这套概率结构把看起来最合理的词拼在一起 。手里拿到一份由大语言模型生成的论文初稿 ，既不贪快也不含糊。可拿去数据库一查 ，很难被完整保留下来。语法顺、 理解这个问题的起点 ，但把它的每一条输出都默认为检索结果就危险了。用户越期待一个确凿的引用 ，多音字姓名这类低频细节，是搞清楚大语言模型到底在做什么。期刊名、 对使用者而言 ，精确的卷期页码、在人工智能领域有个专门的说法，数据与结论，