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