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