在对话AI中，如果模型无法区分自身输出与用户发言，它将把自己的错误视为用户提供的事实。这种能力在人的认知中被称为现实监控，其失败与幻觉、妄想和虚构相关，但大型语言模型（LLMs）是否具备这种能力尚未经过测试。
我们通过两个实验和六种LLM展示了源归属依赖于对话记忆的结构：在最低记忆需求下，自生成内容的准确性达到顶峰，而一旦情节延迟去除这种捷径，外部项目的优势则显得脆弱。
反馈揭示了两个失败：在某些模型中，内部和外部判断互换；在其他模型中，准确性提高而信心与正确性脱钩，这种分离在现有基准中不可见。跨模型的这一模式表明，活跃的参数计数，而非总计数，才是关键。
这表明，随着AI系统承担自主的多轮角色，仅评估它们所知的内容是不够的：追踪这些知识的来源可能同样重要。