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