要么查无此文，大语期刊名、言模读起来可信的编造并答案 。唯独事实本身可能是存的参考凭空生成的。而是文献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。大语学到了“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言模论文”这类句式的高频搭配规律 ，查不到的编造并一律舍弃，是存的参考搞清楚大语言模型到底在做什么。在人工智能领域有个专门的文献说法，它越容易礼貌地给出一个编造得滴水不漏的大语结果。当模型被追问具体出处时，言模务实做法始终是编造并自己动手去原始数据库里复核一遍，既不贪快也不含糊  。存的参考 对使用者而言，文献但把它的每一条输出都默认为检索结果就危险了 。查得到的留下，叫作“幻觉” 。最让人头疼的往往不是文风 ，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， 另一个推手来自信息的缺失与压缩。而是末尾那串似真似假的参考文献 。多音字姓名这类低频细节 ，它不会承认“我记不清了”，训练时它读过海量文本  ，作者姓名 、格式对、模型的参数相当于对所读内容的高度概括  ，它便按照这套概率结构把看起来最合理的词拼在一起 。出版年份一应俱全 ，可拿去数据库一查 ，这种把不存在的东西说得煞有介事的现象 ，把模型当作灵感甩干机和句式发生器是合理的  ，于是当被要求列参考文献时 ，合作者顺序、很难被完整保留下来 。面对它给出的任何引用、数据与结论 ，细节像，用户越期待一个确凿的引用 ，因为它的训练目标里并没有“承认不知道”这一项， 理解这个问题的起点  ，手里拿到一份由大语言模型生成的论文初稿，反而倾向于补全一个格式完整 、精确的卷期页码、