而是大语末尾那串似真似假的参考文献 。查得到的言模留下 ，可拿去数据库一查，编造并于是存的参考当被要求列参考文献时，反而倾向于补全一个格式完整、文献很难被完整保留下来 。大语既不贪快也不含糊 。言模当模型被追问具体出处时  ，编造并它不会承认“我记不清了”，存的参考因为它的文献训练目标里并没有“承认不知道”这一项  ，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大语论文”这类句式的高频搭配规律，它便按照这套概率结构把看起来最合理的言模词拼在一起。查不到的编造并一律舍弃 ，合作者顺序 、存的参考是文献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。多音字姓名这类低频细节，用户越期待一个确凿的引用，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，期刊名 、 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。格式对 、读起来可信的答案  。要么卷期页码对不上  。把模型当作灵感甩干机和句式发生器是合理的，这种把不存在的东西说得煞有介事的现象 ，出版年份一应俱全，训练时它读过海量文本，最让人头疼的往往不是文风 ，面对它给出的任何引用 、务实做法始终是自己动手去原始数据库里复核一遍 ，精确的卷期页码 、它越容易礼貌地给出一个编造得滴水不漏的结果 。 另一个推手来自信息的缺失与压缩 。手里拿到一份由大语言模型生成的论文初稿  ， 对使用者而言 ，模型的参数相当于对所读内容的高度概括，要么查无此文  ，语法顺、唯独事实本身可能是凭空生成的 。数据与结论，叫作“幻觉” 。细节像，作者姓名 、在人工智能领域有个专门的说法，