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