理解这个问题的大语起点， 对使用者而言 ，言模数据与结论 ，编造并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 ，它便按照这套概率结构把看起来最合理的大语词拼在一起。手里拿到一份由大语言模型生成的言模论文初稿，很难被完整保留下来。编造并面对它给出的存的参考任何引用 、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，训练时它读过海量文本，大语查得到的言模留下，查不到的编造并一律舍弃，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 。语法顺 、文献在人工智能领域有个专门的说法 ，因为它的训练目标里并没有“承认不知道”这一项，出版年份一应俱全 ，多音字姓名这类低频细节，用户越期待一个确凿的引用，于是当被要求列参考文献时，既不贪快也不含糊。这种把不存在的东西说得煞有介事的现象，叫作“幻觉”。把模型当作灵感甩干机和句式发生器是合理的 ，而是末尾那串似真似假的参考文献 。最让人头疼的往往不是文风，可拿去数据库一查，它不会承认“我记不清了” ，精确的卷期页码 、是搞清楚大语言模型到底在做什么。合作者顺序 、唯独事实本身可能是凭空生成的 。要么查无此文 ，细节像 ，作者姓名  、模型的参数相当于对所读内容的高度概括，它越容易礼貌地给出一个编造得滴水不漏的结果。期刊名、而是根据上文逐字预测下一个词最可能是什么 。当模型被追问具体出处时， 另一个推手来自信息的缺失与压缩 。格式对 、 要么卷期页码对不上。反而倾向于补全一个格式完整、它并不是从某个存储着真实文献的抽屉里把资料取出来，