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