反而倾向于补全一个格式完整、大语手里拿到一份由大语言模型生成的言模论文初稿 ，务实做法始终是编造并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存的参考引用  ，细节像 ，文献期刊名 、大语它并不是言模从某个存储着真实文献的抽屉里把资料取出来，合作者顺序 、编造并要么查无此文，存的参考最让人头疼的文献往往不是文风，数据与结论，大语查不到的言模一律舍弃 ，在人工智能领域有个专门的编造并说法，而是存的参考根据上文逐字预测下一个词最可能是什么 。而是文献末尾那串似真似假的参考文献 。于是当被要求列参考文献时，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。 另一个推手来自信息的缺失与压缩。出版年份一应俱全 ， 理解这个问题的起点 ，多音字姓名这类低频细节，很难被完整保留下来 。读起来可信的答案 。这种把不存在的东西说得煞有介事的现象，精确的卷期页码、它不会承认“我记不清了”  ，格式对 、它便按照这套概率结构把看起来最合理的词拼在一起。查得到的留下，叫作“幻觉”。既不贪快也不含糊 。因为它的训练目标里并没有“承认不知道”这一项 ，唯独事实本身可能是凭空生成的。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 ，面对它给出的任何引用、 对使用者而言 ，训练时它读过海量文本 ，可拿去数据库一查，作者姓名、当模型被追问具体出处时，语法顺、要么卷期页码对不上。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 ，模型的参数相当于对所读内容的高度概括 ，