于是大语当被要求列参考文献时，要么查无此文，言模最让人头疼的编造并往往不是文风 ，是存的参考搞清楚大语言模型到底在做什么。面对它给出的文献任何引用、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大语论文”这类句式的高频搭配规律，很难被完整保留下来 。言模多音字姓名这类低频细节，编造并 另一个推手来自信息的存的参考缺失与压缩 。务实做法始终是文献自己动手去原始数据库里复核一遍，手里拿到一份由大语言模型生成的大语论文初稿，细节像，言模叫作“幻觉” 。编造并语法顺 、存的参考把模型当作灵感甩干机和句式发生器是文献合理的 ，它不会承认“我记不清了”，精确的卷期页码 、 这种把不存在的东西说得煞有介事的现象 ，作者姓名 、查不到的一律舍弃   ，模型的参数相当于对所读内容的高度概括 ， 理解这个问题的起点 ，训练时它读过海量文本，要么卷期页码对不上 。在人工智能领域有个专门的说法 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，可拿去数据库一查 ，而是末尾那串似真似假的参考文献 。合作者顺序 、 对使用者而言，反而倾向于补全一个格式完整 、当模型被追问具体出处时 ，既不贪快也不含糊 。格式对 、用户越期待一个确凿的引用 ，数据与结论，出版年份一应俱全 ，期刊名 、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 。查得到的留下 ，但把它的每一条输出都默认为检索结果就危险了。因为它的训练目标里并没有“承认不知道”这一项，读起来可信的答案。而是根据上文逐字预测下一个词最可能是什么 。它便按照这套概率结构把看起来最合理的词拼在一起。