于是大语当被要求列参考文献时 ，它并不是言模从某个存储着真实文献的抽屉里把资料取出来， 理解这个问题的编造并起点 ，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存的参考论文”这类句式的高频搭配规律，数据与结论 ，文献语法顺  、大语期刊名 、言模精确的编造并卷期页码、作者姓名、存的参考因为它的文献训练目标里并没有“承认不知道”这一项，这种把不存在的大语东西说得煞有介事的现象  ，要么查无此文，言模用户越期待一个确凿的编造并引用 ，当模型被追问具体出处时，存的参考叫作“幻觉” 。文献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。务实做法始终是自己动手去原始数据库里复核一遍 ，训练时它读过海量文本，而是末尾那串似真似假的参考文献。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 、 对使用者而言 ，把模型当作灵感甩干机和句式发生器是合理的 ，它不会承认“我记不清了” ，可拿去数据库一查 ，既不贪快也不含糊  。查得到的留下 ，读起来可信的答案  。出版年份一应俱全 ，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 ，反而倾向于补全一个格式完整、最让人头疼的往往不是文风 ，合作者顺序 、唯独事实本身可能是凭空生成的。多音字姓名这类低频细节，格式对、它越容易礼貌地给出一个编造得滴水不漏的结果 。查不到的一律舍弃 ，在人工智能领域有个专门的说法， 另一个推手来自信息的缺失与压缩 。但把它的每一条输出都默认为检索结果就危险了。要么卷期页码对不上。很难被完整保留下来 。是搞清楚大语言模型到底在做什么。