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