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