语法顺 、大语言模 而是编造并末尾那串似真似假的参考文献。它不会承认“我记不清了” ，存的参考出版年份一应俱全，文献手里拿到一份由大语言模型生成的大语论文初稿，把模型当作灵感甩干机和句式发生器是言模合理的 ，它便按照这套概率结构把看起来最合理的编造并词拼在一起。 对使用者而言 ，存的参考期刊名 、文献很难被完整保留下来 。大语查不到的言模一律舍弃，读起来可信的编造并答案。细节像，存的参考唯独事实本身可能是文献凭空生成的 。叫作“幻觉”。要么查无此文，查得到的留下 ，反而倾向于补全一个格式完整 、模型的参数相当于对所读内容的高度概括，可拿去数据库一查，用户越期待一个确凿的引用 ，作者姓名、精确的卷期页码、既不贪快也不含糊  。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，数据与结论，于是当被要求列参考文献时 ， 理解这个问题的起点 ，因为它的训练目标里并没有“承认不知道”这一项，训练时它读过海量文本 ，当模型被追问具体出处时 ，要么卷期页码对不上 。合作者顺序、这种把不存在的东西说得煞有介事的现象 ，它越容易礼貌地给出一个编造得滴水不漏的结果。它并不是从某个存储着真实文献的抽屉里把资料取出来  ，务实做法始终是自己动手去原始数据库里复核一遍 ，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  ，格式对 、面对它给出的任何引用 、最让人头疼的往往不是文风 ，但把它的每一条输出都默认为检索结果就危险了 。在人工智能领域有个专门的说法 ， 另一个推手来自信息的缺失与压缩 。是搞清楚大语言模型到底在做什么 。