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