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