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