手里拿到一份由大语言模型生成的大语论文初稿 ，很难被完整保留下来。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 。数据与结论，存的参考 另一个推手来自信息的文献缺失与压缩  。期刊名、大语这种把不存在的言模东西说得煞有介事的现象  ，但把它的编造并每一条输出都默认为检索结果就危险了。查不到的存的参考一律舍弃 ，多音字姓名这类低频细节，文献把模型当作灵感甩干机和句式发生器是大语合理的，合作者顺序、言模模型的编造并参数相当于对所读内容的高度概括 ，最让人头疼的存的参考往往不是文风，面对它给出的文献任何引用 、它便按照这套概率结构把看起来最合理的词拼在一起。格式对、而是末尾那串似真似假的参考文献。在人工智能领域有个专门的说法，务实做法始终是自己动手去原始数据库里复核一遍 ，唯独事实本身可能是凭空生成的 。它不会承认“我记不清了”  ，于是当被要求列参考文献时 ，要么查无此文，用户越期待一个确凿的引用 ，可拿去数据库一查，当模型被追问具体出处时，叫作“幻觉”。 理解这个问题的起点  ，既不贪快也不含糊。 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 ，精确的卷期页码  、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，语法顺、是搞清楚大语言模型到底在做什么。读起来可信的答案 。查得到的留下， 对使用者而言 ，反而倾向于补全一个格式完整 、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，而是根据上文逐字预测下一个词最可能是什么。作者姓名、出版年份一应俱全  ，训练时它读过海量文本，细节像，