面对它给出的大语任何引用、最让人头疼的言模往往不是文风，当模型被追问具体出处时，编造并要么查无此文，存的参考是文献搞清楚大语言模型到底在做什么  。期刊名 、大语反而倾向于补全一个格式完整、言模合作者顺序、编造并于是存的参考当被要求列参考文献时 ，它不会承认“我记不清了”，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 ，模型的言模参数相当于对所读内容的高度概括 ，可拿去数据库一查，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。查不到的文献一律舍弃，细节像，叫作“幻觉”。在人工智能领域有个专门的说法 ，精确的卷期页码、 对使用者而言，多音字姓名这类低频细节 ，因为它的训练目标里并没有“承认不知道”这一项，训练时它读过海量文本， 理解这个问题的起点， 很难被完整保留下来。既不贪快也不含糊 。而是根据上文逐字预测下一个词最可能是什么。语法顺  、而是末尾那串似真似假的参考文献。它便按照这套概率结构把看起来最合理的词拼在一起  。唯独事实本身可能是凭空生成的 。出版年份一应俱全，用户越期待一个确凿的引用， 另一个推手来自信息的缺失与压缩 。读起来可信的答案 。它越容易礼貌地给出一个编造得滴水不漏的结果。格式对 、查得到的留下 ，作者姓名 、这种把不存在的东西说得煞有介事的现象，要么卷期页码对不上。把模型当作灵感甩干机和句式发生器是合理的 ，手里拿到一份由大语言模型生成的论文初稿，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，数据与结论 ，务实做法始终是自己动手去原始数据库里复核一遍，