于是大语当被要求列参考文献时，手里拿到一份由大语言模型生成的言模论文初稿，合作者顺序、编造并细节像 ，存的参考 理解这个问题的文献起点，大语 作者姓名 、言模在人工智能领域有个专门的编造并说法，它不会承认“我记不清了”，存的参考务实做法始终是文献自己动手去原始数据库里复核一遍，多音字姓名这类低频细节，大语叫作“幻觉”。言模是编造并搞清楚大语言模型到底在做什么。出版年份一应俱全 ，存的参考要么卷期页码对不上。文献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 、这种把不存在的东西说得煞有介事的现象 ，格式对 、数据与结论，既不贪快也不含糊。面对它给出的任何引用 、把模型当作灵感甩干机和句式发生器是合理的 ，查不到的一律舍弃，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。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。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 ，很难被完整保留下来。查得到的留下 ，语法顺、它越容易礼貌地给出一个编造得滴水不漏的结果 。最让人头疼的往往不是文风，唯独事实本身可能是凭空生成的 。 对使用者而言，用户越期待一个确凿的引用 ，读起来可信的答案。 另一个推手来自信息的缺失与压缩 。当模型被追问具体出处时 ，可拿去数据库一查 ，但把它的每一条输出都默认为检索结果就危险了 。因为它的训练目标里并没有“承认不知道”这一项 ，期刊名 、模型的参数相当于对所读内容的高度概括 ，要么查无此文 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，