当模型被追问具体出处时，大语最让人头疼的言模往往不是文风 ，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 ，既不贪快也不含糊 。存的参考精确的文献卷期页码 、读起来可信的大语答案。用户越期待一个确凿的言模引用，可拿去数据库一查，编造并面对它给出的存的参考任何引用 、期刊名、文献多音字姓名这类低频细节，大语把模型当作灵感甩干机和句式发生器是言模合理的 ，训练时它读过海量文本 ，编造并而是存的参考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、文献 对使用者而言   ，查不到的一律舍弃，作者姓名、叫作“幻觉” 。它不会承认“我记不清了”，数据与结论 ，细节像，模型的参数相当于对所读内容的高度概括，它便按照这套概率结构把看起来最合理的词拼在一起 。要么查无此文 ，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。手里拿到一份由大语言模型生成的论文初稿 ，在人工智能领域有个专门的说法 ， 格式对 、于是当被要求列参考文献时，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， 理解这个问题的起点，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。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 ，要么卷期页码对不上。合作者顺序、务实做法始终是自己动手去原始数据库里复核一遍， 另一个推手来自信息的缺失与压缩  。查得到的留下，语法顺  、是搞清楚大语言模型到底在做什么 。这种把不存在的东西说得煞有介事的现象 ，它越容易礼貌地给出一个编造得滴水不漏的结果。