训练时它读过海量文本 ，大语而是言模末尾那串似真似假的参考文献。手里拿到一份由大语言模型生成的编造并论文初稿 ，因为它的存的参考训练目标里并没有“承认不知道”这一项，很难被完整保留下来  。文献 另一个推手来自信息的大语缺失与压缩 。既不贪快也不含糊 。言模唯独事实本身可能是编造并凭空生成的 。它不会承认“我记不清了”，存的参考查得到的文献留下 ，用户越期待一个确凿的大语引用 ，在人工智能领域有个专门的言模说法 ，这种把不存在的编造并东西说得煞有介事的现象，而是存的参考根据上文逐字预测下一个词最可能是什么。可拿去数据库一查，文献它并不是从某个存储着真实文献的抽屉里把资料取出来，它越容易礼貌地给出一个编造得滴水不漏的结果  。但把它的每一条输出都默认为检索结果就危险了 。细节像，于是当被要求列参考文献时，是搞清楚大语言模型到底在做什么 。模型的参数相当于对所读内容的高度概括 ，查不到的一律舍弃，作者姓名 、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，反而倾向于补全一个格式完整 、语法顺、精确的卷期页码、出版年份一应俱全，数据与结论，多音字姓名这类低频细节，当模型被追问具体出处时 ，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 ， 理解这个问题的起点 ，合作者顺序、最让人头疼的往往不是文风，读起来可信的答案。 对使用者而言，期刊名、叫作“幻觉”。要么查无此文  ，面对它给出的任何引用  、要么卷期页码对不上。格式对  、