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