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