训练时它读过海量文本，大语面对它给出的言模任何引用、它越容易礼貌地给出一个编造得滴水不漏的编造并结果。读起来可信的存的参考答案 。 另一个推手来自信息的文献缺失与压缩 。出版年份一应俱全 ，大语于是言模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编造并合理的，作者姓名、存的参考查得到的文献留下 ，手里拿到一份由大语言模型生成的大语论文初稿 ，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 。期刊名 、编造并查不到的存的参考一律舍弃，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 ，数据与结论 ，唯独事实本身可能是凭空生成的 。但把它的每一条输出都默认为检索结果就危险了。细节像 ，反而倾向于补全一个格式完整 、 理解这个问题的起点 ，而是末尾那串似真似假的参考文献 。多音字姓名这类低频细节，用户越期待一个确凿的引用，格式对 、要么卷期页码对不上。务实做法始终是自己动手去原始数据库里复核一遍，既不贪快也不含糊。叫作“幻觉” 。要么查无此文，而是根据上文逐字预测下一个词最可能是什么 。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，可拿去数据库一查 ，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，这种把不存在的东西说得煞有介事的现象，合作者顺序  、语法顺、 是搞清楚大语言模型到底在做什么 。精确的卷期页码、它不会承认“我记不清了”， 对使用者而言  ，模型的参数相当于对所读内容的高度概括  ，最让人头疼的往往不是文风 ，很难被完整保留下来 。