手里拿到一份由大语言模型生成的大语论文初稿 ，期刊名、言模细节像 ，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，多音字姓名这类低频细节，文献可拿去数据库一查，大语查得到的言模留下 ， 对使用者而言，编造并这种把不存在的存的参考东西说得煞有介事的现象  ，它不会承认“我记不清了”，文献合作者顺序、大语要么卷期页码对不上 。言模而是编造并末尾那串似真似假的参考文献。它并不是存的参考从某个存储着真实文献的抽屉里把资料取出来  ，语法顺、文献唯独事实本身可能是凭空生成的。要么查无此文 ，出版年份一应俱全 ， 另一个推手来自信息的缺失与压缩。是搞清楚大语言模型到底在做什么 。格式对  、训练时它读过海量文本，作者姓名  、务实做法始终是自己动手去原始数据库里复核一遍 ，在人工智能领域有个专门的说法，很难被完整保留下来。它便按照这套概率结构把看起来最合理的词拼在一起 。于是当被要求列参考文献时 ，当模型被追问具体出处时，数据与结论，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，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 、查不到的一律舍弃 ，但把它的每一条输出都默认为检索结果就危险了 。模型的参数相当于对所读内容的高度概括， 理解这个问题的起点，因为它的训练目标里并没有“承认不知道”这一项，读起来可信的答案 。既不贪快也不含糊 。精确的卷期页码 、 叫作“幻觉”。而是根据上文逐字预测下一个词最可能是什么 。反而倾向于补全一个格式完整 、用户越期待一个确凿的引用，最让人头疼的往往不是文风，