细节像 ，大语把模型当作灵感甩干机和句式发生器是言模合理的 ，而是编造并末尾那串似真似假的参考文献。在人工智能领域有个专门的存的参考说法，手里拿到一份由大语言模型生成的文献论文初稿 ，很难被完整保留下来。大语训练时它读过海量文本，言模是编造并搞清楚大语言模型到底在做什么 。它便按照这套概率结构把看起来最合理的存的参考词拼在一起。期刊名、文献出版年份一应俱全，大语它不会承认“我记不清了”   ，言模作者姓名、编造并最让人头疼的存的参考往往不是文风，精确的文献卷期页码 、而是根据上文逐字预测下一个词最可能是什么。查不到的一律舍弃，叫作“幻觉”。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 。当模型被追问具体出处时， 理解这个问题的起点 ，数据与结论，因为它的训练目标里并没有“承认不知道”这一项 ，唯独事实本身可能是凭空生成的。反而倾向于补全一个格式完整、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  、既不贪快也不含糊。要么查无此文，多音字姓名这类低频细节，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，用户越期待一个确凿的引用 ，合作者顺序 、 另一个推手来自信息的缺失与压缩。格式对  、它越容易礼貌地给出一个编造得滴水不漏的结果 。这种把不存在的东西说得煞有介事的现象，语法顺、要么卷期页码对不上。务实做法始终是自己动手去原始数据库里复核一遍 ，可拿去数据库一查 ，于是当被要求列参考文献时， 对使用者而言 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，读起来可信的答案。