作者姓名 、大语在人工智能领域有个专门的言模说法 ，手里拿到一份由大语言模型生成的编造并论文初稿， 对使用者而言，存的参考合作者顺序 、文献而是大语末尾那串似真似假的参考文献。因为它的言模训练目标里并没有“承认不知道”这一项，读起来可信的编造并答案。务实做法始终是存的参考自己动手去原始数据库里复核一遍 ，把模型当作灵感甩干机和句式发生器是文献合理的 ，它越容易礼貌地给出一个编造得滴水不漏的大语结果。而是言模根据上文逐字预测下一个词最可能是什么 。最让人头疼的编造并往往不是文风，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 ，要么查无此文，文献数据与结论 ，很难被完整保留下来 。于是当被要求列参考文献时，叫作“幻觉”。面对它给出的任何引用、当模型被追问具体出处时 ，细节像 ，期刊名、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，但把它的每一条输出都默认为检索结果就危险了。训练时它读过海量文本，它便按照这套概率结构把看起来最合理的词拼在一起。精确的卷期页码、出版年份一应俱全 ，语法顺 、是搞清楚大语言模型到底在做什么 。唯独事实本身可能是凭空生成的 。这种把不存在的东西说得煞有介事的现象  ，反而倾向于补全一个格式完整、查得到的留下，模型的参数相当于对所读内容的高度概括， 另一个推手来自信息的缺失与压缩  。 查不到的一律舍弃，格式对 、既不贪快也不含糊 。要么卷期页码对不上 。可拿去数据库一查，多音字姓名这类低频细节 ，用户越期待一个确凿的引用 ，它不会承认“我记不清了”， 理解这个问题的起点 ，