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