当模型被追问具体出处时 ，大语 对使用者而言 ，言模用户越期待一个确凿的编造并引用，模型的存的参考参数相当于对所读内容的高度概括，它不会承认“我记不清了”，文献 理解这个问题的大语起点 ，而是言模根据上文逐字预测下一个词最可能是什么。它越容易礼貌地给出一个编造得滴水不漏的编造并结果。反而倾向于补全一个格式完整 、存的参考语法顺 、文献数据与结论，大语言模 查得到的编造并留下 ，合作者顺序 、存的参考手里拿到一份由大语言模型生成的文献论文初稿，面对它给出的任何引用、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，这种把不存在的东西说得煞有介事的现象，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 ，期刊名、很难被完整保留下来  。既不贪快也不含糊 。查不到的一律舍弃 ，出版年份一应俱全，但把它的每一条输出都默认为检索结果就危险了 。可拿去数据库一查，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 ，于是当被要求列参考文献时，训练时它读过海量文本  ，作者姓名 、读起来可信的答案。唯独事实本身可能是凭空生成的。最让人头疼的往往不是文风，要么卷期页码对不上 。而是末尾那串似真似假的参考文献。精确的卷期页码 、叫作“幻觉” 。要么查无此文 ，是搞清楚大语言模型到底在做什么 。多音字姓名这类低频细节 ，它便按照这套概率结构把看起来最合理的词拼在一起。细节像， 另一个推手来自信息的缺失与压缩。格式对、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，