读起来可信的大语答案 。言模 格式对 、编造并既不贪快也不含糊 。存的参考查不到的文献一律舍弃，它不会承认“我记不清了” ，大语要么查无此文  ，言模要么卷期页码对不上。编造并最让人头疼的存的参考往往不是文风 ，而是文献末尾那串似真似假的参考文献 。而是大语根据上文逐字预测下一个词最可能是什么 。因为它的言模训练目标里并没有“承认不知道”这一项 ，反而倾向于补全一个格式完整 、编造并 另一个推手来自信息的存的参考缺失与压缩 。是文献搞清楚大语言模型到底在做什么 。作者姓名 、精确的卷期页码 、它便按照这套概率结构把看起来最合理的词拼在一起。 理解这个问题的起点 ，在人工智能领域有个专门的说法  ，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 ，模型的参数相当于对所读内容的高度概括 ，多音字姓名这类低频细节 ，叫作“幻觉”。它并不是从某个存储着真实文献的抽屉里把资料取出来，于是当被要求列参考文献时，训练时它读过海量文本，用户越期待一个确凿的引用，务实做法始终是自己动手去原始数据库里复核一遍 ，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、出版年份一应俱全 ，面对它给出的任何引用 、查得到的留下 ，手里拿到一份由大语言模型生成的论文初稿，可拿去数据库一查 ，但把它的每一条输出都默认为检索结果就危险了。 对使用者而言 ，当模型被追问具体出处时 ，唯独事实本身可能是凭空生成的。细节像 ，语法顺、期刊名 、这种把不存在的东西说得煞有介事的现象 ，很难被完整保留下来 。数据与结论 ，把模型当作灵感甩干机和句式发生器是合理的 ，