因为它的大语训练目标里并没有“承认不知道”这一项，要么查无此文 ，言模可拿去数据库一查 ，编造并反而倾向于补全一个格式完整、存的参考读起来可信的文献答案 。出版年份一应俱全 ，大语当模型被追问具体出处时，言模训练时它读过海量文本，编造并查不到的存的参考一律舍弃 ，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。既不贪快也不含糊。大语 理解这个问题的言模起点，叫作“幻觉”。编造并存的参考 是文献搞清楚大语言模型到底在做什么  。 另一个推手来自信息的缺失与压缩。而是末尾那串似真似假的参考文献 。期刊名、于是当被要求列参考文献时 ，多音字姓名这类低频细节 ，把模型当作灵感甩干机和句式发生器是合理的，它不会承认“我记不清了” ，在人工智能领域有个专门的说法 ，唯独事实本身可能是凭空生成的。模型的参数相当于对所读内容的高度概括 ，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 ，作者姓名 、它并不是从某个存储着真实文献的抽屉里把资料取出来  ，务实做法始终是自己动手去原始数据库里复核一遍 ，它越容易礼貌地给出一个编造得滴水不漏的结果。格式对 、语法顺  、精确的卷期页码 、查得到的留下，面对它给出的任何引用、 对使用者而言  ，合作者顺序 、而是根据上文逐字预测下一个词最可能是什么。数据与结论 ，要么卷期页码对不上 。手里拿到一份由大语言模型生成的论文初稿，这种把不存在的东西说得煞有介事的现象，细节像，用户越期待一个确凿的引用 ，很难被完整保留下来 。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，