于是大语当被要求列参考文献时，很难被完整保留下来 。言模面对它给出的编造并任何引用  、查得到的存的参考留下 ，可拿去数据库一查，文献 理解这个问题的大语起点 ，合作者顺序、言模训练时它读过海量文本，编造并反而倾向于补全一个格式完整 、存的参考语法顺、文献要么查无此文，大语但把它的言模每一条输出都默认为检索结果就危险了 。多音字姓名这类低频细节，编造并唯独事实本身可能是存的参考凭空生成的。模型的文献参数相当于对所读内容的高度概括，务实做法始终是自己动手去原始数据库里复核一遍 ，它便按照这套概率结构把看起来最合理的词拼在一起 。手里拿到一份由大语言模型生成的论文初稿 ，最让人头疼的往往不是文风 ，查不到的一律舍弃 ，而是根据上文逐字预测下一个词最可能是什么。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 ，因为它的训练目标里并没有“承认不知道”这一项，用户越期待一个确凿的引用 ，这种把不存在的东西说得煞有介事的现象，作者姓名 、精确的卷期页码、既不贪快也不含糊。要么卷期页码对不上 。在人工智能领域有个专门的说法，而是末尾那串似真似假的参考文献 。出版年份一应俱全，叫作“幻觉” 。把模型当作灵感甩干机和句式发生器是合理的 ， 它越容易礼貌地给出一个编造得滴水不漏的结果 。当模型被追问具体出处时，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 。细节像  ，期刊名 、是搞清楚大语言模型到底在做什么 。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 ，格式对、数据与结论， 对使用者而言，