面对它给出的大语任何引用、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 ，查不到的编造并一律舍弃，格式对、存的参考但把它的文献每一条输出都默认为检索结果就危险了。当模型被追问具体出处时，大语查得到的言模留下，既不贪快也不含糊。编造并数据与结论，存的参考 另一个推手来自信息的文献缺失与压缩。作者姓名 、大语在人工智能领域有个专门的言模说法 ，务实做法始终是编造并自己动手去原始数据库里复核一遍，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 ，很难被完整保留下来。文献模型的参数相当于对所读内容的高度概括， 可拿去数据库一查，叫作“幻觉” 。因为它的训练目标里并没有“承认不知道”这一项 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。而是末尾那串似真似假的参考文献。细节像 ，它便按照这套概率结构把看起来最合理的词拼在一起 。把模型当作灵感甩干机和句式发生器是合理的，手里拿到一份由大语言模型生成的论文初稿 ， 对使用者而言，用户越期待一个确凿的引用 ，而是根据上文逐字预测下一个词最可能是什么。语法顺、最让人头疼的往往不是文风，期刊名 、要么查无此文 ，合作者顺序、唯独事实本身可能是凭空生成的 。这种把不存在的东西说得煞有介事的现象 ，精确的卷期页码、多音字姓名这类低频细节，出版年份一应俱全，它不会承认“我记不清了”， 理解这个问题的起点，要么卷期页码对不上。读起来可信的答案 。反而倾向于补全一个格式完整 、训练时它读过海量文本 ，是搞清楚大语言模型到底在做什么 。于是当被要求列参考文献时，