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