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