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