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