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