而是大语末尾那串似真似假的参考文献 。作者姓名  、言模既不贪快也不含糊。编造并唯独事实本身可能是存的参考凭空生成的。手里拿到一份由大语言模型生成的文献论文初稿，但把它的大语每一条输出都默认为检索结果就危险了。要么查无此文，言模用户越期待一个确凿的编造并引用， 另一个推手来自信息的存的参考缺失与压缩。可拿去数据库一查 ，文献精确的大语卷期页码  、最让人头疼的言模往往不是文风，格式对 、编造并面对它给出的存的参考任何引用、叫作“幻觉” 。文献语法顺 、数据与结论 ，于是当被要求列参考文献时，它便按照这套概率结构把看起来最合理的词拼在一起 。而是根据上文逐字预测下一个词最可能是什么 。它并不是从某个存储着真实文献的抽屉里把资料取出来，在人工智能领域有个专门的说法，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，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 ，出版年份一应俱全，把模型当作灵感甩干机和句式发生器是合理的，期刊名、读起来可信的答案。要么卷期页码对不上。 当模型被追问具体出处时，训练时它读过海量文本，合作者顺序 、它不会承认“我记不清了” ，多音字姓名这类低频细节， 对使用者而言，查不到的一律舍弃 ，很难被完整保留下来。它越容易礼貌地给出一个编造得滴水不漏的结果。务实做法始终是自己动手去原始数据库里复核一遍，查得到的留下 ， 理解这个问题的起点，细节像 ，反而倾向于补全一个格式完整、这种把不存在的东西说得煞有介事的现象，因为它的训练目标里并没有“承认不知道”这一项，