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