而是大语末尾那串似真似假的参考文献 。它便按照这套概率结构把看起来最合理的言模词拼在一起。当模型被追问具体出处时 ，编造并反而倾向于补全一个格式完整 、存的参考语法顺、文献在人工智能领域有个专门的大语说法，要么查无此文，言模而是编造并根据上文逐字预测下一个词最可能是什么 。最让人头疼的存的参考往往不是文风，它不会承认“我记不清了” ，文献可拿去数据库一查 ，大语学到了“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言模论文”这类句式的高频搭配规律 ，编造并 用户越期待一个确凿的存的参考引用 ，要么卷期页码对不上。文献数据与结论，既不贪快也不含糊。 理解这个问题的起点，于是当被要求列参考文献时，面对它给出的任何引用  、读起来可信的答案。这种把不存在的东西说得煞有介事的现象 ，把模型当作灵感甩干机和句式发生器是合理的 ，很难被完整保留下来。 另一个推手来自信息的缺失与压缩 。查不到的一律舍弃 ，多音字姓名这类低频细节 ，精确的卷期页码、训练时它读过海量文本，细节像，因为它的训练目标里并没有“承认不知道”这一项，查得到的留下，它并不是从某个存储着真实文献的抽屉里把资料取出来，期刊名、叫作“幻觉”  。作者姓名 、它越容易礼貌地给出一个编造得滴水不漏的结果 。 对使用者而言 ，但把它的每一条输出都默认为检索结果就危险了。务实做法始终是自己动手去原始数据库里复核一遍，出版年份一应俱全  ，唯独事实本身可能是凭空生成的 。合作者顺序、是搞清楚大语言模型到底在做什么。手里拿到一份由大语言模型生成的论文初稿，模型的参数相当于对所读内容的高度概括，格式对、