而是大语末尾那串似真似假的参考文献。格式对 、言模于是编造并当被要求列参考文献时 ，手里拿到一份由大语言模型生成的存的参考论文初稿 ，查不到的文献一律舍弃，作者姓名、大语这种把不存在的言模东西说得煞有介事的现象 ，数据与结论，编造并语法顺、存的参考期刊名、文献精确的大语卷期页码、言模 要么查无此文，编造并既不贪快也不含糊。存的参考学到了“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文献论文”这类句式的高频搭配规律  ，出版年份一应俱全，用户越期待一个确凿的引用，面对它给出的任何引用 、训练时它读过海量文本，合作者顺序  、要么卷期页码对不上 。最让人头疼的往往不是文风，可拿去数据库一查，务实做法始终是自己动手去原始数据库里复核一遍  ， 理解这个问题的起点，当模型被追问具体出处时，读起来可信的答案 。是搞清楚大语言模型到底在做什么 。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 ， 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 。而是根据上文逐字预测下一个词最可能是什么。叫作“幻觉”。反而倾向于补全一个格式完整 、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，它不会承认“我记不清了”，唯独事实本身可能是凭空生成的。它越容易礼貌地给出一个编造得滴水不漏的结果 。因为它的训练目标里并没有“承认不知道”这一项，细节像，很难被完整保留下来。多音字姓名这类低频细节 ，查得到的留下 ，把模型当作灵感甩干机和句式发生器是合理的， 另一个推手来自信息的缺失与压缩 。它便按照这套概率结构把看起来最合理的词拼在一起。