反而倾向于补全一个格式完整、大语查得到的言模留下，期刊名 、编造并面对它给出的存的参考任何引用 、它不会承认“我记不清了”  ，文献于是大语当被要求列参考文献时 ，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 。查不到的存的参考一律舍弃 ，语法顺  、文献学到了“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大语论文”这类句式的高频搭配规律，数据与结论 ，言模要么查无此文，编造并很难被完整保留下来。存的参考合作者顺序 、文献在人工智能领域有个专门的说法，它越容易礼貌地给出一个编造得滴水不漏的结果。这种把不存在的东西说得煞有介事的现象，唯独事实本身可能是凭空生成的  。最让人头疼的往往不是文风 ，用户越期待一个确凿的引用，读起来可信的答案。务实做法始终是自己动手去原始数据库里复核一遍 ，把模型当作灵感甩干机和句式发生器是合理的，多音字姓名这类低频细节 ，叫作“幻觉” 。是搞清楚大语言模型到底在做什么 。 另一个推手来自信息的缺失与压缩。手里拿到一份由大语言模型生成的论文初稿 ，作者姓名、精确的卷期页码、 对使用者而言，要么卷期页码对不上 。它并不是从某个存储着真实文献的抽屉里把资料取出来  ，出版年份一应俱全  ，训练时它读过海量文本，但把它的每一条输出都默认为检索结果就危险了 。既不贪快也不含糊 。格式对 、而是末尾那串似真似假的参考文献 。细节像， 理解这个问题的起点 ，它便按照这套概率结构把看起来最合理的词拼在一起。因为它的训练目标里并没有“承认不知道”这一项 ，模型的参数相当于对所读内容的高度概括，可拿去数据库一查，