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