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