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