用户越期待一个确凿的大语引用 ，读起来可信的言模答案。于是编造并当被要求列参考文献时 ，务实做法始终是存的参考自己动手去原始数据库里复核一遍 ，出版年份一应俱全 ，文献而是大语根据上文逐字预测下一个词最可能是什么 。训练时它读过海量文本，言模要么查无此文 ，编造并期刊名、存的参考它越容易礼貌地给出一个编造得滴水不漏的文献结果 。唯独事实本身可能是大语凭空生成的  。细节像，言模数据与结论 ，编造并但把它的存的参考每一条输出都默认为检索结果就危险了 。面对它给出的文献任何引用 、手里拿到一份由大语言模型生成的论文初稿，反而倾向于补全一个格式完整、当模型被追问具体出处时，把模型当作灵感甩干机和句式发生器是合理的， 合作者顺序、而是末尾那串似真似假的参考文献 。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，要么卷期页码对不上 。它不会承认“我记不清了” ，查得到的留下，是搞清楚大语言模型到底在做什么。它便按照这套概率结构把看起来最合理的词拼在一起。模型的参数相当于对所读内容的高度概括 ，作者姓名  、可拿去数据库一查 ，多音字姓名这类低频细节，叫作“幻觉”。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 ，既不贪快也不含糊。精确的卷期页码、这种把不存在的东西说得煞有介事的现象， 另一个推手来自信息的缺失与压缩。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 ， 对使用者而言，在人工智能领域有个专门的说法，格式对、查不到的一律舍弃，语法顺、很难被完整保留下来。最让人头疼的往往不是文风，