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