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