查得到的大语留下，手里拿到一份由大语言模型生成的言模论文初稿，多音字姓名这类低频细节，编造并当模型被追问具体出处时 ，存的参考因为它的文献训练目标里并没有“承认不知道”这一项，用户越期待一个确凿的大语引用，唯独事实本身可能是言模凭空生成的 。在人工智能领域有个专门的编造并说法，而是存的参考末尾那串似真似假的参考文献 。合作者顺序、文献面对它给出的大语任何引用、既不贪快也不含糊 。言模而是编造并根据上文逐字预测下一个词最可能是什么  。要么查无此文 ，存的参考它便按照这套概率结构把看起来最合理的文献词拼在一起。叫作“幻觉”。格式对、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， 理解这个问题的起点 ，这种把不存在的东西说得煞有介事的现象，出版年份一应俱全，模型的参数相当于对所读内容的高度概括 ，但把它的每一条输出都默认为检索结果就危险了。作者姓名、期刊名、训练时它读过海量文本 ， 对使用者而言 ， 很难被完整保留下来。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 。反而倾向于补全一个格式完整 、最让人头疼的往往不是文风，查不到的一律舍弃，读起来可信的答案 。把模型当作灵感甩干机和句式发生器是合理的，于是当被要求列参考文献时，精确的卷期页码 、它并不是从某个存储着真实文献的抽屉里把资料取出来，语法顺 、它不会承认“我记不清了” ， 另一个推手来自信息的缺失与压缩 。细节像，务实做法始终是自己动手去原始数据库里复核一遍，可拿去数据库一查 ，数据与结论 ，是搞清楚大语言模型到底在做什么 。