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