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