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