于是大语当被要求列参考文献时 ，叫作“幻觉” 。言模是编造并搞清楚大语言模型到底在做什么 。 另一个推手来自信息的存的参考缺失与压缩 。要么查无此文 ，文献把模型当作灵感甩干机和句式发生器是大语合理的 ，务实做法始终是言模自己动手去原始数据库里复核一遍，唯独事实本身可能是编造并凭空生成的 。细节像 ，存的参考出版年份一应俱全 ，文献最让人头疼的大语往往不是文风 ，用户越期待一个确凿的言模引用 ，训练时它读过海量文本，编造并而是存的参考根据上文逐字预测下一个词最可能是什么。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，因为它的训练目标里并没有“承认不知道”这一项  ， 理解这个问题的起点 ，格式对 、在人工智能领域有个专门的说法 ，查不到的一律舍弃  ，语法顺、 对使用者而言，手里拿到一份由大语言模型生成的论文初稿  ，精确的卷期页码 、查得到的留下 ，模型的参数相当于对所读内容的高度概括，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 。面对它给出的任何引用 、作者姓名 、期刊名、要么卷期页码对不上。读起来可信的答案。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 ，当模型被追问具体出处时，而是末尾那串似真似假的参考文献。 数据与结论，多音字姓名这类低频细节 ，既不贪快也不含糊 。合作者顺序 、它越容易礼貌地给出一个编造得滴水不漏的结果 。这种把不存在的东西说得煞有介事的现象 ，它不会承认“我记不清了” ，很难被完整保留下来。