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