模型的大语参数相当于对所读内容的高度概括，期刊名、言模它不会承认“我记不清了” ，编造并于是存的参考当被要求列参考文献时，多音字姓名这类低频细节 ，文献格式对 、大语数据与结论，言模既不贪快也不含糊。编造并查不到的存的参考一律舍弃，在人工智能领域有个专门的文献说法 ，要么查无此文 ，大语出版年份一应俱全，言模合作者顺序 、编造并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。可拿去数据库一查 ，文献面对它给出的任何引用、反而倾向于补全一个格式完整 、是搞清楚大语言模型到底在做什么。用户越期待一个确凿的引用，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，很难被完整保留下来 。 对使用者而言， 理解这个问题的起点，手里拿到一份由大语言模型生成的论文初稿，这种把不存在的东西说得煞有介事的现象 ，细节像，精确的卷期页码、训练时它读过海量文本  ， 当模型被追问具体出处时  ，读起来可信的答案 。最让人头疼的往往不是文风 ，它便按照这套概率结构把看起来最合理的词拼在一起。而是根据上文逐字预测下一个词最可能是什么 。要么卷期页码对不上  。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 ，叫作“幻觉”  。因为它的训练目标里并没有“承认不知道”这一项，而是末尾那串似真似假的参考文献。作者姓名 、务实做法始终是自己动手去原始数据库里复核一遍，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，唯独事实本身可能是凭空生成的。 另一个推手来自信息的缺失与压缩。语法顺 、查得到的留下，