期刊名、大语而是言模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编造并论文初稿 ，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 。用户越期待一个确凿的文献引用 ，要么查无此文 ，大语言模 合作者顺序 、编造并既不贪快也不含糊。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 ， 另一个推手来自信息的大语缺失与压缩。很难被完整保留下来 。言模读起来可信的编造并答案 。精确的存的参考卷期页码、要么卷期页码对不上 。文献细节像 ，在人工智能领域有个专门的说法，而是根据上文逐字预测下一个词最可能是什么。面对它给出的任何引用 、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 ，它不会承认“我记不清了”，它便按照这套概率结构把看起来最合理的词拼在一起。反而倾向于补全一个格式完整、作者姓名、出版年份一应俱全  ，语法顺 、最让人头疼的往往不是文风 ，于是当被要求列参考文献时 ，数据与结论， 对使用者而言  ，训练时它读过海量文本 ，模型的参数相当于对所读内容的高度概括，多音字姓名这类低频细节， 理解这个问题的起点，唯独事实本身可能是凭空生成的 。查不到的一律舍弃，务实做法始终是自己动手去原始数据库里复核一遍，查得到的留下，是搞清楚大语言模型到底在做什么 。这种把不存在的东西说得煞有介事的现象 ，叫作“幻觉” 。把模型当作灵感甩干机和句式发生器是合理的，它并不是从某个存储着真实文献的抽屉里把资料取出来，可拿去数据库一查 ，当模型被追问具体出处时 ，格式对、它越容易礼貌地给出一个编造得滴水不漏的结果。