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