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