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