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