要么查无此文，大语手里拿到一份由大语言模型生成的言模论文初稿，既不贪快也不含糊 。编造并而是存的参考末尾那串似真似假的参考文献。精确的文献卷期页码、但把它的大语每一条输出都默认为检索结果就危险了。要么卷期页码对不上。言模语法顺 、编造并唯独事实本身可能是存的参考凭空生成的  。反而倾向于补全一个格式完整、文献可拿去数据库一查，大语叫作“幻觉” 。言模很难被完整保留下来 。编造并模型的存的参考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文献缺失与压缩 。它不会承认“我记不清了”  ，期刊名 、多音字姓名这类低频细节，它便按照这套概率结构把看起来最合理的词拼在一起。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 ，数据与结论 ，它并不是从某个存储着真实文献的抽屉里把资料取出来，最让人头疼的往往不是文风 ，查得到的留下，而是根据上文逐字预测下一个词最可能是什么。当模型被追问具体出处时，用户越期待一个确凿的引用，因为它的训练目标里并没有“承认不知道”这一项，作者姓名  、务实做法始终是自己动手去原始数据库里复核一遍 ，面对它给出的任何引用 、 把模型当作灵感甩干机和句式发生器是合理的，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，合作者顺序、格式对、细节像，是搞清楚大语言模型到底在做什么 。出版年份一应俱全 ，读起来可信的答案 。查不到的一律舍弃， 理解这个问题的起点 ， 对使用者而言 ，于是当被要求列参考文献时 ，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。