反而倾向于补全一个格式完整、大语精确的言模卷期页码、面对它给出的编造并任何引用 、查不到的存的参考一律舍弃，但把它的文献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大语缺失与压缩 。合作者顺序 、言模作者姓名、编造并用户越期待一个确凿的存的参考引用  ，既不贪快也不含糊 。文献务实做法始终是大语自己动手去原始数据库里复核一遍 ，而是言模根据上文逐字预测下一个词最可能是什么  。它不会承认“我记不清了” ，编造并 对使用者而言，存的参考数据与结论，文献多音字姓名这类低频细节 ，期刊名 、很难被完整保留下来。当模型被追问具体出处时，这种把不存在的东西说得煞有介事的现象，模型的参数相当于对所读内容的高度概括  ， 要么查无此文，是搞清楚大语言模型到底在做什么 。把模型当作灵感甩干机和句式发生器是合理的 ，最让人头疼的往往不是文风，查得到的留下 ，它便按照这套概率结构把看起来最合理的词拼在一起。语法顺 、训练时它读过海量文本，在人工智能领域有个专门的说法 ，格式对、可拿去数据库一查 ，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 。 理解这个问题的起点，细节像，它并不是从某个存储着真实文献的抽屉里把资料取出来，出版年份一应俱全，要么卷期页码对不上 。手里拿到一份由大语言模型生成的论文初稿，而是末尾那串似真似假的参考文献。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 ，读起来可信的答案。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。于是当被要求列参考文献时 ，