而是大语末尾那串似真似假的参考文献 。而是言模根据上文逐字预测下一个词最可能是什么。这种把不存在的编造并东西说得煞有介事的现象，是存的参考搞清楚大语言模型到底在做什么。期刊名 、文献合作者顺序 、大语唯独事实本身可能是言模凭空生成的 。模型的编造并参数相当于对所读内容的高度概括，可拿去数据库一查 ，存的参考查得到的文献留下 ，作者姓名、大语读起来可信的言模答案。查不到的编造并一律舍弃，格式对 、存的参考 另一个推手来自信息的文献缺失与压缩。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，因为它的训练目标里并没有“承认不知道”这一项， 对使用者而言 ，最让人头疼的往往不是文风，用户越期待一个确凿的引用 ，它越容易礼貌地给出一个编造得滴水不漏的结果  。语法顺 、精确的卷期页码 、既不贪快也不含糊 。把模型当作灵感甩干机和句式发生器是合理的 ， 理解这个问题的起点，当模型被追问具体出处时 ，要么卷期页码对不上 。它便按照这套概率结构把看起来最合理的词拼在一起。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，但把它的每一条输出都默认为检索结果就危险了 。训练时它读过海量文本 ，于是当被要求列参考文献时，要么查无此文 ，它不会承认“我记不清了”  ，务实做法始终是自己动手去原始数据库里复核一遍，叫作“幻觉” 。很难被完整保留下来。 数据与结论 ，反而倾向于补全一个格式完整、面对它给出的任何引用、出版年份一应俱全，手里拿到一份由大语言模型生成的论文初稿，在人工智能领域有个专门的说法  ，多音字姓名这类低频细节，