作者姓名 、大语而是言模根据上文逐字预测下一个词最可能是什么。很难被完整保留下来 。编造并格式对、存的参考既不贪快也不含糊。文献它越容易礼貌地给出一个编造得滴水不漏的大语结果。 理解这个问题的言模起点，多音字姓名这类低频细节，编造并把模型当作灵感甩干机和句式发生器是存的参考合理的 ，要么卷期页码对不上 。文献读起来可信的大语答案。 对使用者而言 ，言模训练时它读过海量文本，编造并用户越期待一个确凿的存的参考引用，查不到的文献一律舍弃，最让人头疼的往往不是文风  ， 另一个推手来自信息的缺失与压缩。精确的卷期页码 、数据与结论，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，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 。唯独事实本身可能是凭空生成的。手里拿到一份由大语言模型生成的论文初稿 ，是搞清楚大语言模型到底在做什么。它不会承认“我记不清了”，合作者顺序 、细节像 ，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 ，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。可拿去数据库一查 ，出版年份一应俱全 ，模型的参数相当于对所读内容的高度概括，查得到的留下，叫作“幻觉” 。务实做法始终是自己动手去原始数据库里复核一遍 ， 期刊名 、当模型被追问具体出处时，这种把不存在的东西说得煞有介事的现象，语法顺、而是末尾那串似真似假的参考文献  。在人工智能领域有个专门的说法，面对它给出的任何引用、于是当被要求列参考文献时  ，要么查无此文  ，