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