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