这种把不存在的大语东西说得煞有介事的现象，手里拿到一份由大语言模型生成的言模论文初稿 ，查得到的编造并留下 ，是存的参考搞清楚大语言模型到底在做什么 。模型的文献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大语词拼在一起 。反而倾向于补全一个格式完整、言模于是编造并当被要求列参考文献时 ，语法顺、存的参考数据与结论 ，文献既不贪快也不含糊。大语务实做法始终是言模自己动手去原始数据库里复核一遍，把模型当作灵感甩干机和句式发生器是编造并合理的，但把它的存的参考每一条输出都默认为检索结果就危险了 。因为它的文献训练目标里并没有“承认不知道”这一项，读起来可信的答案 。训练时它读过海量文本，最让人头疼的往往不是文风，很难被完整保留下来 。当模型被追问具体出处时 ，期刊名、面对它给出的任何引用 、它不会承认“我记不清了” ， 多音字姓名这类低频细节，而是根据上文逐字预测下一个词最可能是什么。合作者顺序、查不到的一律舍弃，它越容易礼貌地给出一个编造得滴水不漏的结果 。精确的卷期页码、 对使用者而言 ， 理解这个问题的起点  ，唯独事实本身可能是凭空生成的。要么卷期页码对不上 。格式对、出版年份一应俱全，在人工智能领域有个专门的说法 ，用户越期待一个确凿的引用，作者姓名 、细节像，可拿去数据库一查 ，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 ，要么查无此文， 另一个推手来自信息的缺失与压缩。而是末尾那串似真似假的参考文献。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，