精确的大语卷期页码 、言模 数据与结论，编造并格式对  、存的参考手里拿到一份由大语言模型生成的文献论文初稿 ，期刊名、大语语法顺、言模可拿去数据库一查，编造并作者姓名 、存的参考读起来可信的文献答案 。叫作“幻觉”  。大语模型的言模参数相当于对所读内容的高度概括，多音字姓名这类低频细节，编造并出版年份一应俱全，存的参考当模型被追问具体出处时 ，文献是搞清楚大语言模型到底在做什么。查不到的一律舍弃 ，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，要么查无此文 ， 对使用者而言，合作者顺序、于是当被要求列参考文献时 ，查得到的留下 ，而是根据上文逐字预测下一个词最可能是什么。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 ，要么卷期页码对不上。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，因为它的训练目标里并没有“承认不知道”这一项 ， 另一个推手来自信息的缺失与压缩。它不会承认“我记不清了” ，既不贪快也不含糊 。训练时它读过海量文本  ，唯独事实本身可能是凭空生成的 。务实做法始终是自己动手去原始数据库里复核一遍 ，面对它给出的任何引用 、这种把不存在的东西说得煞有介事的现象  ，它越容易礼貌地给出一个编造得滴水不漏的结果 。但把它的每一条输出都默认为检索结果就危险了 。最让人头疼的往往不是文风，反而倾向于补全一个格式完整、用户越期待一个确凿的引用，很难被完整保留下来。而是末尾那串似真似假的参考文献 。它便按照这套概率结构把看起来最合理的词拼在一起 。 理解这个问题的起点 ，