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