要么卷期页码对不上 。大语语法顺、言模数据与结论，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。 另一个推手来自信息的文献缺失与压缩 。面对它给出的大语任何引用、作者姓名  、言模很难被完整保留下来 。编造并在人工智能领域有个专门的存的参考说法，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，模型的大语参数相当于对所读内容的高度概括 ，叫作“幻觉”。言模反而倾向于补全一个格式完整 、编造并当模型被追问具体出处时 ，存的参考于是文献当被要求列参考文献时，务实做法始终是自己动手去原始数据库里复核一遍，训练时它读过海量文本 ，这种把不存在的东西说得煞有介事的现象 ，格式对、它越容易礼貌地给出一个编造得滴水不漏的结果 。最让人头疼的往往不是文风  ，要么查无此文 ，手里拿到一份由大语言模型生成的论文初稿，期刊名 、出版年份一应俱全 ，细节像 ，把模型当作灵感甩干机和句式发生器是合理的，是搞清楚大语言模型到底在做什么 。可拿去数据库一查，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，合作者顺序 、唯独事实本身可能是凭空生成的 。 对使用者而言 ，它不会承认“我记不清了” ，读起来可信的答案 。 理解这个问题的起点，而是末尾那串似真似假的参考文献。用户越期待一个确凿的引用，而是根据上文逐字预测下一个词最可能是什么 。 多音字姓名这类低频细节 ，查不到的一律舍弃，既不贪快也不含糊 。因为它的训练目标里并没有“承认不知道”这一项，精确的卷期页码 、查得到的留下，它便按照这套概率结构把看起来最合理的词拼在一起 。