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