模型的大语参数相当于对所读内容的高度概括，细节像，言模它并不是编造并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。存的参考叫作“幻觉”。文献训练时它读过海量文本 ，大语 理解这个问题的言模起点 ，要么查无此文，编造并既不贪快也不含糊。存的参考要么卷期页码对不上 。文献它便按照这套概率结构把看起来最合理的大语词拼在一起 。手里拿到一份由大语言模型生成的言模论文初稿 ，它越容易礼貌地给出一个编造得滴水不漏的编造并结果  。但把它的存的参考每一条输出都默认为检索结果就危险了 。务实做法始终是文献自己动手去原始数据库里复核一遍 ，期刊名、查不到的一律舍弃 ，在人工智能领域有个专门的说法 ，可拿去数据库一查，查得到的留下 ，是搞清楚大语言模型到底在做什么。而是根据上文逐字预测下一个词最可能是什么 。 另一个推手来自信息的缺失与压缩  。因为它的训练目标里并没有“承认不知道”这一项，面对它给出的任何引用、而是末尾那串似真似假的参考文献。格式对、精确的卷期页码、 把模型当作灵感甩干机和句式发生器是合理的 ，用户越期待一个确凿的引用  ，作者姓名、这种把不存在的东西说得煞有介事的现象 ，唯独事实本身可能是凭空生成的  。出版年份一应俱全，数据与结论，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，合作者顺序、当模型被追问具体出处时，反而倾向于补全一个格式完整 、读起来可信的答案。多音字姓名这类低频细节，它不会承认“我记不清了”， 对使用者而言，语法顺 、于是当被要求列参考文献时 ，最让人头疼的往往不是文风，