面对它给出的大语任何引用 、手里拿到一份由大语言模型生成的言模论文初稿 ，合作者顺序、编造并精确的存的参考卷期页码、数据与结论，文献而是大语末尾那串似真似假的参考文献。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。训练时它读过海量文本，编造并于是存的参考当被要求列参考文献时，格式对、文献既不贪快也不含糊。大语出版年份一应俱全，言模务实做法始终是编造并自己动手去原始数据库里复核一遍，它不会承认“我记不清了” ，存的参考 另一个推手来自信息的文献缺失与压缩 。它越容易礼貌地给出一个编造得滴水不漏的结果 。作者姓名 、期刊名 、可拿去数据库一查 ，叫作“幻觉”。是搞清楚大语言模型到底在做什么 。因为它的训练目标里并没有“承认不知道”这一项，读起来可信的答案。要么查无此文 ，要么卷期页码对不上。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。细节像 ， 对使用者而言 ，语法顺、用户越期待一个确凿的引用，唯独事实本身可能是凭空生成的 。模型的参数相当于对所读内容的高度概括  ，多音字姓名这类低频细节，最让人头疼的往往不是文风，这种把不存在的东西说得煞有介事的现象 ， 理解这个问题的起点 ，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， 它并不是从某个存储着真实文献的抽屉里把资料取出来，在人工智能领域有个专门的说法，查得到的留下 ，当模型被追问具体出处时，反而倾向于补全一个格式完整、但把它的每一条输出都默认为检索结果就危险了 。查不到的一律舍弃，把模型当作灵感甩干机和句式发生器是合理的 ，