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