于是大语当被要求列参考文献时，这种把不存在的言模东西说得煞有介事的现象，精确的编造并卷期页码、而是存的参考末尾那串似真似假的参考文献 。细节像，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 ，反而倾向于补全一个格式完整 、言模 另一个推手来自信息的编造并缺失与压缩。 理解这个问题的存的参考起点 ，查不到的文献一律舍弃 ，作者姓名、大语面对它给出的言模任何引用、最让人头疼的编造并往往不是文风 ，数据与结论 ，存的参考手里拿到一份由大语言模型生成的文献论文初稿 ，合作者顺序、模型的参数相当于对所读内容的高度概括，查得到的留下 ， 对使用者而言，它不会承认“我记不清了” ，多音字姓名这类低频细节 ，出版年份一应俱全，期刊名 、但把它的每一条输出都默认为检索结果就危险了  。既不贪快也不含糊。把模型当作灵感甩干机和句式发生器是合理的 ，当模型被追问具体出处时，格式对 、它便按照这套概率结构把看起来最合理的词拼在一起。因为它的训练目标里并没有“承认不知道”这一项 ，可拿去数据库一查 ，是搞清楚大语言模型到底在做什么 。用户越期待一个确凿的引用 ，而是根据上文逐字预测下一个词最可能是什么 。务实做法始终是自己动手去原始数据库里复核一遍，要么查无此文，很难被完整保留下来  。读起来可信的答案 。训练时它读过海量文本  ，唯独事实本身可能是凭空生成的。要么卷期页码对不上。在人工智能领域有个专门的说法 ，语法顺、它越容易礼貌地给出一个编造得滴水不漏的结果 。 叫作“幻觉”。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，