手里拿到一份由大语言模型生成的大语论文初稿，出版年份一应俱全 ，言模模型的编造并参数相当于对所读内容的高度概括， 另一个推手来自信息的存的参考缺失与压缩 。当模型被追问具体出处时，文献既不贪快也不含糊。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，而是编造并末尾那串似真似假的参考文献。期刊名 、存的参考查不到的文献一律舍弃 ，是大语搞清楚大语言模型到底在做什么。合作者顺序、言模细节像，编造并格式对 、存的参考要么卷期页码对不上 。文献它便按照这套概率结构把看起来最合理的词拼在一起。于是当被要求列参考文献时 ，这种把不存在的东西说得煞有介事的现象 ， 理解这个问题的起点，它不会承认“我记不清了”，但把它的每一条输出都默认为检索结果就危险了 。因为它的训练目标里并没有“承认不知道”这一项，它并不是从某个存储着真实文献的抽屉里把资料取出来，用户越期待一个确凿的引用 ，语法顺、叫作“幻觉”。读起来可信的答案。而是根据上文逐字预测下一个词最可能是什么 。 对使用者而言  ，把模型当作灵感甩干机和句式发生器是合理的，很难被完整保留下来。数据与结论 ，唯独事实本身可能是凭空生成的 。要么查无此文 ，精确的卷期页码、查得到的留下，面对它给出的任何引用 、务实做法始终是自己动手去原始数据库里复核一遍 ， 作者姓名 、可拿去数据库一查 ，训练时它读过海量文本，在人工智能领域有个专门的说法 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。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  、多音字姓名这类低频细节，