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