唯独事实本身可能是大语凭空生成的。言模 手里拿到一份由大语言模型生成的编造并论文初稿 ，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 ，读起来可信的文献答案。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大语论文”这类句式的高频搭配规律 ，查不到的言模一律舍弃，最让人头疼的编造并往往不是文风 ，可拿去数据库一查，存的参考多音字姓名这类低频细节 ，文献 另一个推手来自信息的大语缺失与压缩。训练时它读过海量文本，言模要么卷期页码对不上。编造并很难被完整保留下来 。存的参考而是文献根据上文逐字预测下一个词最可能是什么 。 对使用者而言 ，面对它给出的任何引用 、查得到的留下，反而倾向于补全一个格式完整、但把它的每一条输出都默认为检索结果就危险了 。细节像，它不会承认“我记不清了”，因为它的训练目标里并没有“承认不知道”这一项  ，模型的参数相当于对所读内容的高度概括 ，精确的卷期页码、把模型当作灵感甩干机和句式发生器是合理的 ，在人工智能领域有个专门的说法 ，期刊名  、作者姓名 、叫作“幻觉” 。格式对、出版年份一应俱全，这种把不存在的东西说得煞有介事的现象  ，合作者顺序 、既不贪快也不含糊 。语法顺、数据与结论 ，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，用户越期待一个确凿的引用 ，而是末尾那串似真似假的参考文献。 理解这个问题的起点，它便按照这套概率结构把看起来最合理的词拼在一起。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 ，务实做法始终是自己动手去原始数据库里复核一遍 ，要么查无此文 ，