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