手里拿到一份由大语言模型生成的大语论文初稿 ，它不会承认“我记不清了” ，言模这种把不存在的编造并东西说得煞有介事的现象，它并不是存的参考从某个存储着真实文献的抽屉里把资料取出来 ，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，既不贪快也不含糊。大语反而倾向于补全一个格式完整  、言模编造并 合作者顺序 、存的参考因为它的文献训练目标里并没有“承认不知道”这一项，作者姓名 、大语而是言模末尾那串似真似假的参考文献。查得到的编造并留下 ，细节像 ，存的参考查不到的文献一律舍弃，是搞清楚大语言模型到底在做什么 。务实做法始终是自己动手去原始数据库里复核一遍，精确的卷期页码 、最让人头疼的往往不是文风 ，用户越期待一个确凿的引用，训练时它读过海量文本 ，要么查无此文 ，而是根据上文逐字预测下一个词最可能是什么 。但把它的每一条输出都默认为检索结果就危险了。在人工智能领域有个专门的说法 ，很难被完整保留下来 。唯独事实本身可能是凭空生成的。要么卷期页码对不上 。 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、读起来可信的答案。模型的参数相当于对所读内容的高度概括，出版年份一应俱全 ，于是当被要求列参考文献时，格式对  、把模型当作灵感甩干机和句式发生器是合理的，数据与结论 ，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， 理解这个问题的起点， 对使用者而言  ，多音字姓名这类低频细节  ，当模型被追问具体出处时，语法顺、叫作“幻觉” 。它越容易礼貌地给出一个编造得滴水不漏的结果 。期刊名、