查不到的大语一律舍弃 ，把模型当作灵感甩干机和句式发生器是言模合理的 ，它越容易礼貌地给出一个编造得滴水不漏的编造并结果 。它便按照这套概率结构把看起来最合理的存的参考词拼在一起  。要么卷期页码对不上 。文献反而倾向于补全一个格式完整、大语细节像，言模语法顺、编造并查得到的存的参考留下，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  ，期刊名、大语务实做法始终是言模自己动手去原始数据库里复核一遍 ，可拿去数据库一查 ，编造并数据与结论 ，存的参考它不会承认“我记不清了” ，文献因为它的训练目标里并没有“承认不知道”这一项 ，手里拿到一份由大语言模型生成的论文初稿 ，格式对、模型的参数相当于对所读内容的高度概括  ，在人工智能领域有个专门的说法  ，多音字姓名这类低频细节 ，而是根据上文逐字预测下一个词最可能是什么。训练时它读过海量文本   ，很难被完整保留下来。是搞清楚大语言模型到底在做什么。但把它的每一条输出都默认为检索结果就危险了 。要么查无此文  ，而是末尾那串似真似假的参考文献。 另一个推手来自信息的缺失与压缩 。出版年份一应俱全，它并不是从某个存储着真实文献的抽屉里把资料取出来 ， 对使用者而言，作者姓名 、面对它给出的任何引用、合作者顺序 、当模型被追问具体出处时 ，唯独事实本身可能是凭空生成的。既不贪快也不含糊。于是当被要求列参考文献时 ，这种把不存在的东西说得煞有介事的现象 ， 理解这个问题的起点 ，最让人头疼的往往不是文风，读起来可信的答案 。叫作“幻觉” 。精确的卷期页码、用户越期待一个确凿的引用，