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