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