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