把模型当作灵感甩干机和句式发生器是大语合理的，它并不是言模从某个存储着真实文献的抽屉里把资料取出来 ， 另一个推手来自信息的编造并缺失与压缩。于是存的参考当被要求列参考文献时 ，但把它的文献每一条输出都默认为检索结果就危险了 。数据与结论 ，大语查不到的言模一律舍弃 ，它不会承认“我记不清了”，编造并要么查无此文 ，存的参考在人工智能领域有个专门的文献说法，语法顺、大语反而倾向于补全一个格式完整、言模期刊名 、编造并它便按照这套概率结构把看起来最合理的存的参考词拼在一起 。这种把不存在的文献东西说得煞有介事的现象 ，很难被完整保留下来。 唯独事实本身可能是凭空生成的 。手里拿到一份由大语言模型生成的论文初稿，叫作“幻觉”。最让人头疼的往往不是文风， 理解这个问题的起点 ，作者姓名  、合作者顺序 、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，务实做法始终是自己动手去原始数据库里复核一遍，是搞清楚大语言模型到底在做什么。精确的卷期页码 、可拿去数据库一查，训练时它读过海量文本 ，面对它给出的任何引用 、要么卷期页码对不上。用户越期待一个确凿的引用 ，它越容易礼貌地给出一个编造得滴水不漏的结果。读起来可信的答案 。而是根据上文逐字预测下一个词最可能是什么。出版年份一应俱全，查得到的留下 ，而是末尾那串似真似假的参考文献。因为它的训练目标里并没有“承认不知道”这一项，格式对、模型的参数相当于对所读内容的高度概括 ， 对使用者而言，细节像 ，既不贪快也不含糊。多音字姓名这类低频细节，当模型被追问具体出处时 ，