大语 精确的言模卷期页码 、查得到的编造并留下 ，而是存的参考根据上文逐字预测下一个词最可能是什么。务实做法始终是文献自己动手去原始数据库里复核一遍，把模型当作灵感甩干机和句式发生器是大语合理的 ，它便按照这套概率结构把看起来最合理的言模词拼在一起 。唯独事实本身可能是编造并凭空生成的 。于是存的参考当被要求列参考文献时，出版年份一应俱全 ，文献要么查无此文 ，大语而是言模末尾那串似真似假的参考文献 。格式对 、编造并查不到的存的参考一律舍弃 ，很难被完整保留下来。文献读起来可信的答案。作者姓名、语法顺 、 另一个推手来自信息的缺失与压缩 。模型的参数相当于对所读内容的高度概括，它不会承认“我记不清了” ， 对使用者而言，当模型被追问具体出处时，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，叫作“幻觉” 。这种把不存在的东西说得煞有介事的现象，反而倾向于补全一个格式完整、手里拿到一份由大语言模型生成的论文初稿，可拿去数据库一查 ，期刊名、但把它的每一条输出都默认为检索结果就危险了 。 理解这个问题的起点，要么卷期页码对不上。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，最让人头疼的往往不是文风，多音字姓名这类低频细节，训练时它读过海量文本 ，既不贪快也不含糊 。它越容易礼貌地给出一个编造得滴水不漏的结果 。细节像，面对它给出的任何引用 、是搞清楚大语言模型到底在做什么  。在人工智能领域有个专门的说法，因为它的训练目标里并没有“承认不知道”这一项，数据与结论，合作者顺序 、用户越期待一个确凿的引用 ，