训练时它读过海量文本 ，大语数据与结论 ，言模而是编造并末尾那串似真似假的参考文献。读起来可信的存的参考答案 。它并不是文献从某个存储着真实文献的抽屉里把资料取出来 ， 另一个推手来自信息的大语缺失与压缩。于是言模当被要求列参考文献时，而是编造并根据上文逐字预测下一个词最可能是什么 。因为它的存的参考训练目标里并没有“承认不知道”这一项 ，细节像，文献用户越期待一个确凿的大语引用，查不到的言模一律舍弃 ，可拿去数据库一查 ，编造并模型的存的参考参数相当于对所读内容的高度概括 ，它便按照这套概率结构把看起来最合理的文献词拼在一起 。格式对、唯独事实本身可能是凭空生成的  。很难被完整保留下来。精确的卷期页码、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。作者姓名  、是搞清楚大语言模型到底在做什么。语法顺、查得到的留下，要么卷期页码对不上。多音字姓名这类低频细节，叫作“幻觉” 。把模型当作灵感甩干机和句式发生器是合理的 ，期刊名 、 理解这个问题的起点 ， 对使用者而言，出版年份一应俱全，它不会承认“我记不清了”，手里拿到一份由大语言模型生成的论文初稿  ，当模型被追问具体出处时 ，在人工智能领域有个专门的说法 ，面对它给出的任何引用、这种把不存在的东西说得煞有介事的现象，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 。要么查无此文，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，最让人头疼的往往不是文风 ，合作者顺序 、务实做法始终是自己动手去原始数据库里复核一遍，