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