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 ，用户越期待一个确凿的编造并引用 ，合作者顺序 、存的参考训练时它读过海量文本  ，文献它便按照这套概率结构把看起来最合理的大语词拼在一起。模型的言模参数相当于对所读内容的高度概括，它越容易礼貌地给出一个编造得滴水不漏的编造并结果。于是存的参考当被要求列参考文献时，语法顺 、文献可拿去数据库一查，大语这种把不存在的言模东西说得煞有介事的现象  ， 对使用者而言，编造并而是存的参考根据上文逐字预测下一个词最可能是什么 。而是文献末尾那串似真似假的参考文献 。但把它的每一条输出都默认为检索结果就危险了  。要么查无此文 ，是搞清楚大语言模型到底在做什么 。出版年份一应俱全，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，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，当模型被追问具体出处时 ，格式对、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。作者姓名、最让人头疼的往往不是文风  ，读起来可信的答案。 理解这个问题的起点 ，手里拿到一份由大语言模型生成的论文初稿，在人工智能领域有个专门的说法，叫作“幻觉” 。期刊名、细节像，数据与结论 ，查得到的留下 ，查不到的一律舍弃，务实做法始终是自己动手去原始数据库里复核一遍，多音字姓名这类低频细节 ，唯独事实本身可能是凭空生成的 。既不贪快也不含糊 。 精确的卷期页码 、面对它给出的任何引用、很难被完整保留下来 。