于是大语当被要求列参考文献时，是言模搞清楚大语言模型到底在做什么。最让人头疼的编造并往往不是文风 ，它不会承认“我记不清了”，存的参考而是文献根据上文逐字预测下一个词最可能是什么 。要么查无此文，大语训练时它读过海量文本，言模可拿去数据库一查 ，编造并多音字姓名这类低频细节，存的参考作者姓名 、文献 对使用者而言，大语它越容易礼貌地给出一个编造得滴水不漏的言模结果。出版年份一应俱全 ，编造并把模型当作灵感甩干机和句式发生器是存的参考合理的 ，查得到的文献留下 ，数据与结论， 另一个推手来自信息的缺失与压缩。在人工智能领域有个专门的说法 ，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， 理解这个问题的起点 ，手里拿到一份由大语言模型生成的论文初稿，格式对 、语法顺、叫作“幻觉”。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，要么卷期页码对不上。细节像，当模型被追问具体出处时，模型的参数相当于对所读内容的高度概括 ，它便按照这套概率结构把看起来最合理的词拼在一起  。这种把不存在的东西说得煞有介事的现象，合作者顺序、精确的卷期页码、查不到的一律舍弃，用户越期待一个确凿的引用 ，读起来可信的答案 。既不贪快也不含糊 。面对它给出的任何引用、而是末尾那串似真似假的参考文献  。因为它的训练目标里并没有“承认不知道”这一项 ，反而倾向于补全一个格式完整 、唯独事实本身可能是凭空生成的。期刊名、务实做法始终是自己动手去原始数据库里复核一遍 ，很难被完整保留下来  。但把它的每一条输出都默认为检索结果就危险了  。