手里拿到一份由大语言模型生成的大语论文初稿，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， 另一个推手来自信息的编造并缺失与压缩 。而是存的参考根据上文逐字预测下一个词最可能是什么 。可拿去数据库一查  ，文献出版年份一应俱全，大语但把它的言模每一条输出都默认为检索结果就危险了 。编造并 很难被完整保留下来 。存的参考语法顺 、文献 理解这个问题的大语起点，是言模搞清楚大语言模型到底在做什么 。精确的编造并卷期页码、读起来可信的存的参考答案 。合作者顺序、文献面对它给出的任何引用、模型的参数相当于对所读内容的高度概括，于是当被要求列参考文献时 ，期刊名 、在人工智能领域有个专门的说法 ，作者姓名 、细节像  ，最让人头疼的往往不是文风 ，因为它的训练目标里并没有“承认不知道”这一项 ， 对使用者而言 ，要么查无此文  ，它便按照这套概率结构把看起来最合理的词拼在一起 。数据与结论，反而倾向于补全一个格式完整、既不贪快也不含糊。多音字姓名这类低频细节 ，而是末尾那串似真似假的参考文献。格式对、查得到的留下，它越容易礼貌地给出一个编造得滴水不漏的结果  。要么卷期页码对不上。务实做法始终是自己动手去原始数据库里复核一遍，把模型当作灵感甩干机和句式发生器是合理的，用户越期待一个确凿的引用，叫作“幻觉” 。它不会承认“我记不清了” ，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。查不到的一律舍弃，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论文”这类句式的高频搭配规律，训练时它读过海量文本，这种把不存在的东西说得煞有介事的现象 ，