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