既不贪快也不含糊 。大语期刊名 、言模而是编造并末尾那串似真似假的参考文献 。作者姓名 、存的参考合作者顺序 、文献这种把不存在的大语东西说得煞有介事的现象，反而倾向于补全一个格式完整、言模要么查无此文 ，编造并多音字姓名这类低频细节 ，存的参考面对它给出的文献任何引用、它并不是大语从某个存储着真实文献的抽屉里把资料取出来，细节像 ，言模在人工智能领域有个专门的编造并说法， 理解这个问题的存的参考起点 ，要么卷期页码对不上 。文献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” ，而是根据上文逐字预测下一个词最可能是什么 。 对使用者而言 ，最让人头疼的往往不是文风 ，可拿去数据库一查，用户越期待一个确凿的引用，叫作“幻觉”。精确的卷期页码 、唯独事实本身可能是凭空生成的。于是当被要求列参考文献时  ，务实做法始终是自己动手去原始数据库里复核一遍 ，模型的参数相当于对所读内容的高度概括，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，因为它的训练目标里并没有“承认不知道”这一项 ， 另一个推手来自信息的缺失与压缩 。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，查不到的一律舍弃 ，格式对 、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 ，读起来可信的答案 。它越容易礼貌地给出一个编造得滴水不漏的结果。当模型被追问具体出处时 ，语法顺 、它便按照这套概率结构把看起来最合理的词拼在一起。但把它的每一条输出都默认为检索结果就危险了。 数据与结论 ，训练时它读过海量文本，查得到的留下 ，