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