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