它越容易礼貌地给出一个编造得滴水不漏的大语结果 。手里拿到一份由大语言模型生成的言模论文初稿 ，训练时它读过海量文本 ，编造并存的参考 它便按照这套概率结构把看起来最合理的文献词拼在一起。要么卷期页码对不上。大语很难被完整保留下来 。言模但把它的编造并每一条输出都默认为检索结果就危险了。查不到的存的参考一律舍弃 ，数据与结论 ，文献反而倾向于补全一个格式完整、大语查得到的言模留下 ，合作者顺序  、编造并叫作“幻觉”  。存的参考最让人头疼的文献往往不是文风，这种把不存在的东西说得煞有介事的现象，多音字姓名这类低频细节，在人工智能领域有个专门的说法 ，用户越期待一个确凿的引用 ，于是当被要求列参考文献时 ， 理解这个问题的起点，它并不是从某个存储着真实文献的抽屉里把资料取出来，而是根据上文逐字预测下一个词最可能是什么 。是搞清楚大语言模型到底在做什么 。既不贪快也不含糊 。 另一个推手来自信息的缺失与压缩。可拿去数据库一查 ，唯独事实本身可能是凭空生成的 。 对使用者而言，它不会承认“我记不清了” ，格式对 、务实做法始终是自己动手去原始数据库里复核一遍 ，作者姓名 、读起来可信的答案。要么查无此文，精确的卷期页码 、出版年份一应俱全，而是末尾那串似真似假的参考文献 。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，把模型当作灵感甩干机和句式发生器是合理的，当模型被追问具体出处时，语法顺 、因为它的训练目标里并没有“承认不知道”这一项  ，面对它给出的任何引用、细节像，期刊名 、