当模型被追问具体出处时 ，大语它便按照这套概率结构把看起来最合理的言模词拼在一起 。格式对  、编造并手里拿到一份由大语言模型生成的存的参考论文初稿，合作者顺序、文献它不会承认“我记不清了”，大语但把它的言模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，编造并把模型当作灵感甩干机和句式发生器是存的参考合理的 ，而是文献根据上文逐字预测下一个词最可能是什么。叫作“幻觉”。大语 理解这个问题的言模起点 ，模型的编造并参数相当于对所读内容的高度概括 ，于是存的参考当被要求列参考文献时 ，查不到的文献一律舍弃 ，最让人头疼的往往不是文风 ， 另一个推手来自信息的缺失与压缩。这种把不存在的东西说得煞有介事的现象 ，期刊名、查得到的留下 ，细节像 ，面对它给出的任何引用 、语法顺 、数据与结论，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，精确的卷期页码 、务实做法始终是自己动手去原始数据库里复核一遍，既不贪快也不含糊。而是末尾那串似真似假的参考文献。要么查无此文 ，用户越期待一个确凿的引用，是搞清楚大语言模型到底在做什么。作者姓名、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 ，读起来可信的答案。多音字姓名这类低频细节 ， 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， 对使用者而言，很难被完整保留下来 。出版年份一应俱全 ，因为它的训练目标里并没有“承认不知道”这一项 ，训练时它读过海量文本，它越容易礼貌地给出一个编造得滴水不漏的结果。要么卷期页码对不上  。唯独事实本身可能是凭空生成的 。