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