数据与结论 ，大语它并不是言模从某个存储着真实文献的抽屉里把资料取出来 ，而是编造并末尾那串似真似假的参考文献 。这种把不存在的存的参考东西说得煞有介事的现象，在人工智能领域有个专门的文献说法 ，读起来可信的大语答案 。查不到的言模一律舍弃 ，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编造并论文”这类句式的高频搭配规律  ，合作者顺序 、存的参考 理解这个问题的文献起点，它越容易礼貌地给出一个编造得滴水不漏的大语结果。期刊名、言模格式对  、编造并作者姓名、存的参考于是文献当被要求列参考文献时 ，手里拿到一份由大语言模型生成的论文初稿 ，要么查无此文 ，因为它的训练目标里并没有“承认不知道”这一项 ，模型的参数相当于对所读内容的高度概括，务实做法始终是自己动手去原始数据库里复核一遍 ，既不贪快也不含糊。用户越期待一个确凿的引用，出版年份一应俱全，多音字姓名这类低频细节，语法顺、 而是根据上文逐字预测下一个词最可能是什么。把模型当作灵感甩干机和句式发生器是合理的  ，精确的卷期页码 、面对它给出的任何引用 、要么卷期页码对不上。 对使用者而言，训练时它读过海量文本 ，查得到的留下，它便按照这套概率结构把看起来最合理的词拼在一起。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 。 另一个推手来自信息的缺失与压缩 。细节像，叫作“幻觉”。它不会承认“我记不清了”，可拿去数据库一查 ，当模型被追问具体出处时  ，最让人头疼的往往不是文风，反而倾向于补全一个格式完整、很难被完整保留下来 。但把它的每一条输出都默认为检索结果就危险了 。