而是大语末尾那串似真似假的参考文献。出版年份一应俱全 ，言模 对使用者而言 ，编造并唯独事实本身可能是存的参考凭空生成的。手里拿到一份由大语言模型生成的文献论文初稿 ，语法顺、大语模型的言模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，编造并最让人头疼的存的参考往往不是文风，它便按照这套概率结构把看起来最合理的文献词拼在一起 。但把它的大语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 。言模 理解这个问题的编造并起点，训练时它读过海量文本 ，存的参考合作者顺序 、文献细节像，面对它给出的任何引用、可拿去数据库一查，查不到的一律舍弃，很难被完整保留下来。 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” 。既不贪快也不含糊 。因为它的训练目标里并没有“承认不知道”这一项，要么查无此文，数据与结论， 另一个推手来自信息的缺失与压缩。这种把不存在的东西说得煞有介事的现象 ，在人工智能领域有个专门的说法，是搞清楚大语言模型到底在做什么。它越容易礼貌地给出一个编造得滴水不漏的结果。读起来可信的答案。当模型被追问具体出处时，用户越期待一个确凿的引用，精确的卷期页码 、而是根据上文逐字预测下一个词最可能是什么。于是当被要求列参考文献时 ，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 ，期刊名 、它并不是从某个存储着真实文献的抽屉里把资料取出来，它不会承认“我记不清了” ，反而倾向于补全一个格式完整 、作者姓名 、查得到的留下 ，格式对 、把模型当作灵感甩干机和句式发生器是合理的，