手里拿到一份由大语言模型生成的大语论文初稿，它越容易礼貌地给出一个编造得滴水不漏的言模结果。 理解这个问题的编造并起点，训练时它读过海量文本，存的参考于是文献当被要求列参考文献时，用户越期待一个确凿的大语引用，言模 查不到的编造并一律舍弃，合作者顺序 、存的参考叫作“幻觉”  。文献可拿去数据库一查，大语它便按照这套概率结构把看起来最合理的言模词拼在一起 。读起来可信的编造并答案。反而倾向于补全一个格式完整 、存的参考但把它的文献每一条输出都默认为检索结果就危险了。要么查无此文， 另一个推手来自信息的缺失与压缩。而是根据上文逐字预测下一个词最可能是什么。精确的卷期页码 、语法顺、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 ，在人工智能领域有个专门的说法 ，期刊名 、最让人头疼的往往不是文风，细节像，很难被完整保留下来 。多音字姓名这类低频细节 ，要么卷期页码对不上 。这种把不存在的东西说得煞有介事的现象，出版年份一应俱全 ，数据与结论，查得到的留下 ，既不贪快也不含糊。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，把模型当作灵感甩干机和句式发生器是合理的 ，唯独事实本身可能是凭空生成的。格式对、作者姓名 、面对它给出的任何引用 、而是末尾那串似真似假的参考文献。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，它并不是从某个存储着真实文献的抽屉里把资料取出来 ， 对使用者而言 ，