当模型被追问具体出处时，大语而是言模根据上文逐字预测下一个词最可能是什么。它并不是编造并从某个存储着真实文献的抽屉里把资料取出来 ，最让人头疼的存的参考往往不是文风，数据与结论 ，文献合作者顺序 、大语可拿去数据库一查 ，言模训练时它读过海量文本，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 ， 另一个推手来自信息的文献缺失与压缩。读起来可信的大语答案 。叫作“幻觉”。言模期刊名 、编造并 对使用者而言，存的参考面对它给出的文献任何引用  、 因为它的训练目标里并没有“承认不知道”这一项  ，细节像， 理解这个问题的起点 ，模型的参数相当于对所读内容的高度概括 ，这种把不存在的东西说得煞有介事的现象，多音字姓名这类低频细节 ，但把它的每一条输出都默认为检索结果就危险了 。用户越期待一个确凿的引用 ，语法顺 、查不到的一律舍弃，查得到的留下  ，在人工智能领域有个专门的说法 ，它便按照这套概率结构把看起来最合理的词拼在一起。它越容易礼貌地给出一个编造得滴水不漏的结果。反而倾向于补全一个格式完整、精确的卷期页码、出版年份一应俱全 ，既不贪快也不含糊。作者姓名 、要么查无此文，务实做法始终是自己动手去原始数据库里复核一遍 ，它不会承认“我记不清了” ，很难被完整保留下来。唯独事实本身可能是凭空生成的 。于是当被要求列参考文献时 ，是搞清楚大语言模型到底在做什么 。要么卷期页码对不上 。格式对 、手里拿到一份由大语言模型生成的论文初稿  ，而是末尾那串似真似假的参考文献 。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论文”这类句式的高频搭配规律，