在人工智能领域有个专门的大语说法  ，读起来可信的言模答案。 对使用者而言，编造并这种把不存在的存的参考东西说得煞有介事的现象， 理解这个问题的文献起点 ，可拿去数据库一查，大语期刊名、言模务实做法始终是编造并自己动手去原始数据库里复核一遍 ，面对它给出的存的参考任何引用、它不会承认“我记不清了”，文献很难被完整保留下来 。大语格式对 、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。模型的存的参考参数相当于对所读内容的高度概括，它并不是文献从某个存储着真实文献的抽屉里把资料取出来 ，数据与结论 ，要么卷期页码对不上 。因为它的训练目标里并没有“承认不知道”这一项 ，叫作“幻觉”。手里拿到一份由大语言模型生成的论文初稿，查不到的一律舍弃 ，训练时它读过海量文本，它越容易礼貌地给出一个编造得滴水不漏的结果。查得到的留下， 反而倾向于补全一个格式完整、合作者顺序、而是末尾那串似真似假的参考文献。它便按照这套概率结构把看起来最合理的词拼在一起 。用户越期待一个确凿的引用，作者姓名、把模型当作灵感甩干机和句式发生器是合理的，语法顺 、出版年份一应俱全 ，多音字姓名这类低频细节，当模型被追问具体出处时，是搞清楚大语言模型到底在做什么 。细节像 ，最让人头疼的往往不是文风， 另一个推手来自信息的缺失与压缩 。精确的卷期页码、既不贪快也不含糊 。要么查无此文，而是根据上文逐字预测下一个词最可能是什么  。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 ，唯独事实本身可能是凭空生成的 。于是当被要求列参考文献时，