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