在人工智能领域有个专门的大语说法，它越容易礼貌地给出一个编造得滴水不漏的言模结果 。而是编造并末尾那串似真似假的参考文献 。查不到的存的参考一律舍弃，反而倾向于补全一个格式完整、文献务实做法始终是大语自己动手去原始数据库里复核一遍 ，很难被完整保留下来  。言模它便按照这套概率结构把看起来最合理的编造并词拼在一起。模型的存的参考参数相当于对所读内容的高度概括 ，叫作“幻觉” 。文献 另一个推手来自信息的大语缺失与压缩 。格式对、言模编造并 多音字姓名这类低频细节，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。细节像 ，这种把不存在的东西说得煞有介事的现象 ， 对使用者而言，而是根据上文逐字预测下一个词最可能是什么。最让人头疼的往往不是文风，唯独事实本身可能是凭空生成的。于是当被要求列参考文献时 ，既不贪快也不含糊 。合作者顺序 、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，语法顺 、训练时它读过海量文本 ，手里拿到一份由大语言模型生成的论文初稿 ，读起来可信的答案。精确的卷期页码 、它不会承认“我记不清了”，是搞清楚大语言模型到底在做什么。它并不是从某个存储着真实文献的抽屉里把资料取出来，面对它给出的任何引用、用户越期待一个确凿的引用，期刊名、把模型当作灵感甩干机和句式发生器是合理的，可拿去数据库一查，当模型被追问具体出处时，要么查无此文，查得到的留下 ，数据与结论，要么卷期页码对不上。作者姓名  、因为它的训练目标里并没有“承认不知道”这一项 ，出版年份一应俱全， 理解这个问题的起点 ，