而是大语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言模说法 ，但把它的编造并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 ，存的参考训练时它读过海量文本  ，文献合作者顺序、大语手里拿到一份由大语言模型生成的言模论文初稿 ，务实做法始终是编造并自己动手去原始数据库里复核一遍 ，因为它的存的参考训练目标里并没有“承认不知道”这一项，面对它给出的文献任何引用、数据与结论，大语是言模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编造并词拼在一起。于是存的参考当被要求列参考文献时  ，它越容易礼貌地给出一个编造得滴水不漏的文献结果 。读起来可信的答案。唯独事实本身可能是凭空生成的 。 理解这个问题的起点 ，细节像  ，它并不是从某个存储着真实文献的抽屉里把资料取出来，最让人头疼的往往不是文风，可拿去数据库一查 ，要么查无此文，模型的参数相当于对所读内容的高度概括 ，既不贪快也不含糊 。 用户越期待一个确凿的引用 ， 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 ，要么卷期页码对不上。叫作“幻觉” 。而是根据上文逐字预测下一个词最可能是什么。期刊名 、语法顺 、出版年份一应俱全，这种把不存在的东西说得煞有介事的现象，查不到的一律舍弃 ，很难被完整保留下来 。它不会承认“我记不清了” ，查得到的留下 ，多音字姓名这类低频细节 ，反而倾向于补全一个格式完整、精确的卷期页码、作者姓名、 另一个推手来自信息的缺失与压缩。把模型当作灵感甩干机和句式发生器是合理的，格式对、