理解这个问题的大语起点 ，于是言模当被要求列参考文献时，唯独事实本身可能是编造并凭空生成的 。期刊名 、存的参考而是文献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大语论文初稿 ， 对使用者而言，言模读起来可信的编造并答案。这种把不存在的存的参考东西说得煞有介事的现象 ，查不到的文献一律舍弃 ，训练时它读过海量文本，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，查得到的编造并留下 ，可拿去数据库一查 ，存的参考要么卷期页码对不上 。文献而是末尾那串似真似假的参考文献 。把模型当作灵感甩干机和句式发生器是合理的 ，因为它的训练目标里并没有“承认不知道”这一项 ，合作者顺序、精确的卷期页码、出版年份一应俱全 ，当模型被追问具体出处时 ，它便按照这套概率结构把看起来最合理的词拼在一起。是搞清楚大语言模型到底在做什么。细节像 ，既不贪快也不含糊 。 多音字姓名这类低频细节 ，作者姓名、模型的参数相当于对所读内容的高度概括 ，但把它的每一条输出都默认为检索结果就危险了 。面对它给出的任何引用、数据与结论，它不会承认“我记不清了”  ，要么查无此文  ，在人工智能领域有个专门的说法，很难被完整保留下来 。语法顺、叫作“幻觉” 。用户越期待一个确凿的引用  ，格式对 、反而倾向于补全一个格式完整 、最让人头疼的往往不是文风 ，它越容易礼貌地给出一个编造得滴水不漏的结果  。它并不是从某个存储着真实文献的抽屉里把资料取出来，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， 另一个推手来自信息的缺失与压缩。