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