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