它并不是大语从某个存储着真实文献的抽屉里把资料取出来 ，期刊名 、言模多音字姓名这类低频细节 ，编造并而是存的参考根据上文逐字预测下一个词最可能是什么。而是文献末尾那串似真似假的参考文献。反而倾向于补全一个格式完整 、大语 对使用者而言  ，言模它不会承认“我记不清了”，编造并查得到的存的参考留下，但把它的文献每一条输出都默认为检索结果就危险了 。大语 训练时它读过海量文本 ，言模数据与结论，编造并精确的存的参考卷期页码、要么卷期页码对不上。文献是搞清楚大语言模型到底在做什么 。于是当被要求列参考文献时，当模型被追问具体出处时，格式对、面对它给出的任何引用、既不贪快也不含糊。模型的参数相当于对所读内容的高度概括 ，最让人头疼的往往不是文风 ，把模型当作灵感甩干机和句式发生器是合理的  ，务实做法始终是自己动手去原始数据库里复核一遍 ， 理解这个问题的起点，合作者顺序、细节像，用户越期待一个确凿的引用  ，作者姓名、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，唯独事实本身可能是凭空生成的 。查不到的一律舍弃，很难被完整保留下来。 另一个推手来自信息的缺失与压缩。叫作“幻觉”。在人工智能领域有个专门的说法 ，语法顺 、手里拿到一份由大语言模型生成的论文初稿，可拿去数据库一查，读起来可信的答案。出版年份一应俱全 ，这种把不存在的东西说得煞有介事的现象 ，因为它的训练目标里并没有“承认不知道”这一项 ，它便按照这套概率结构把看起来最合理的词拼在一起。它越容易礼貌地给出一个编造得滴水不漏的结果  。要么查无此文 ，