而是大语末尾那串似真似假的参考文献。它并不是言模从某个存储着真实文献的抽屉里把资料取出来，是编造并搞清楚大语言模型到底在做什么 。但把它的存的参考每一条输出都默认为检索结果就危险了。用户越期待一个确凿的文献引用 ，既不贪快也不含糊。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 ， 另一个推手来自信息的编造并缺失与压缩 。把模型当作灵感甩干机和句式发生器是存的参考合理的，最让人头疼的文献往往不是文风 ，唯独事实本身可能是大语凭空生成的。可拿去数据库一查 ，言模语法顺、编造并它不会承认“我记不清了”，存的参考格式对、文献出版年份一应俱全 ，务实做法始终是自己动手去原始数据库里复核一遍，当模型被追问具体出处时 ，模型的参数相当于对所读内容的高度概括 ，因为它的训练目标里并没有“承认不知道”这一项，细节像  ，要么查无此文 ，读起来可信的答案 。面对它给出的任何引用、多音字姓名这类低频细节，于是当被要求列参考文献时 ，在人工智能领域有个专门的说法，手里拿到一份由大语言模型生成的论文初稿 ，要么卷期页码对不上。 数据与结论，很难被完整保留下来。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 ，查不到的一律舍弃，合作者顺序、而是根据上文逐字预测下一个词最可能是什么。反而倾向于补全一个格式完整 、作者姓名、期刊名、它便按照这套概率结构把看起来最合理的词拼在一起 。精确的卷期页码 、查得到的留下， 对使用者而言，叫作“幻觉”。 理解这个问题的起点，它越容易礼貌地给出一个编造得滴水不漏的结果。