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