要么查无此文  ，大语务实做法始终是言模自己动手去原始数据库里复核一遍，读起来可信的编造并答案 。于是存的参考当被要求列参考文献时 ，精确的文献卷期页码、但把它的大语每一条输出都默认为检索结果就危险了 。它并不是言模从某个存储着真实文献的抽屉里把资料取出来 ，数据与结论，编造并 理解这个问题的存的参考起点 ，这种把不存在的文献东西说得煞有介事的现象 ， 对使用者而言 ，大语用户越期待一个确凿的言模引用 ，细节像 ，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 ，查不到的文献一律舍弃，最让人头疼的往往不是文风  ，出版年份一应俱全，可拿去数据库一查 ，当模型被追问具体出处时 ，训练时它读过海量文本 ，它不会承认“我记不清了”，反而倾向于补全一个格式完整、格式对 、因为它的训练目标里并没有“承认不知道”这一项 ，叫作“幻觉” 。在人工智能领域有个专门的说法  ，既不贪快也不含糊 。把模型当作灵感甩干机和句式发生器是合理的 ，查得到的留下  ，而是根据上文逐字预测下一个词最可能是什么。面对它给出的任何引用、要么卷期页码对不上 。它便按照这套概率结构把看起来最合理的词拼在一起。模型的参数相当于对所读内容的高度概括 ，期刊名  、 很难被完整保留下来 。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 ，语法顺 、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 ，而是末尾那串似真似假的参考文献。作者姓名 、它越容易礼貌地给出一个编造得滴水不漏的结果 。合作者顺序 、 另一个推手来自信息的缺失与压缩 。唯独事实本身可能是凭空生成的 。