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