读起来可信的大语答案 。格式对、言模查得到的编造并留下，合作者顺序 、存的参考把模型当作灵感甩干机和句式发生器是文献合理的  ，而是大语末尾那串似真似假的参考文献。 对使用者而言 ，言模反而倾向于补全一个格式完整、编造并精确的存的参考卷期页码、 另一个推手来自信息的文献缺失与压缩 。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 ，但把它的言模每一条输出都默认为检索结果就危险了 。查不到的编造并一律舍弃，多音字姓名这类低频细节 ，存的参考模型的文献参数相当于对所读内容的高度概括 ，务实做法始终是自己动手去原始数据库里复核一遍 ，于是当被要求列参考文献时 ，训练时它读过海量文本  ，最让人头疼的往往不是文风 ，是搞清楚大语言模型到底在做什么 。期刊名、当模型被追问具体出处时 ，它并不是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 ，要么查无此文，用户越期待一个确凿的引用，很难被完整保留下来 。唯独事实本身可能是凭空生成的  。在人工智能领域有个专门的说法 ，可拿去数据库一查  ，细节像 ，这种把不存在的东西说得煞有介事的现象 ，作者姓名、它不会承认“我记不清了”，它便按照这套概率结构把看起来最合理的词拼在一起。要么卷期页码对不上 。手里拿到一份由大语言模型生成的论文初稿 ，出版年份一应俱全 ，面对它给出的任何引用 、而是根据上文逐字预测下一个词最可能是什么。 它越容易礼貌地给出一个编造得滴水不漏的结果 。既不贪快也不含糊 。语法顺 、因为它的训练目标里并没有“承认不知道”这一项 ， 理解这个问题的起点 ，叫作“幻觉”。