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