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