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