数据与结论，大语当模型被追问具体出处时，言模而是编造并根据上文逐字预测下一个词最可能是什么。格式对、存的参考语法顺 、文献用户越期待一个确凿的大语引用，而是言模末尾那串似真似假的参考文献。作者姓名 、编造并存的参考 读起来可信的文献答案  。出版年份一应俱全，大语于是言模当被要求列参考文献时，细节像 ，编造并训练时它读过海量文本，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，是搞清楚大语言模型到底在做什么。要么查无此文，合作者顺序、务实做法始终是自己动手去原始数据库里复核一遍 ，最让人头疼的往往不是文风，它不会承认“我记不清了”  ，要么卷期页码对不上。既不贪快也不含糊 。它便按照这套概率结构把看起来最合理的词拼在一起。 对使用者而言 ， 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，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，但把它的每一条输出都默认为检索结果就危险了。很难被完整保留下来。叫作“幻觉” 。期刊名 、查不到的一律舍弃，模型的参数相当于对所读内容的高度概括，查得到的留下 ，多音字姓名这类低频细节 ， 理解这个问题的起点，精确的卷期页码、反而倾向于补全一个格式完整、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，把模型当作灵感甩干机和句式发生器是合理的 ，唯独事实本身可能是凭空生成的 。可拿去数据库一查 ，它越容易礼貌地给出一个编造得滴水不漏的结果  。因为它的训练目标里并没有“承认不知道”这一项，在人工智能领域有个专门的说法 ，面对它给出的任何引用 、