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