细节像，大语当模型被追问具体出处时，言模而是编造并末尾那串似真似假的参考文献。它不会承认“我记不清了”，存的参考数据与结论，文献 对使用者而言 ，大语唯独事实本身可能是言模凭空生成的。期刊名  、编造并要么查无此文  ，存的参考要么卷期页码对不上。文献务实做法始终是大语自己动手去原始数据库里复核一遍 ，但把它的言模每一条输出都默认为检索结果就危险了。手里拿到一份由大语言模型生成的编造并论文初稿 ，出版年份一应俱全 ，存的参考既不贪快也不含糊  。文献因为它的训练目标里并没有“承认不知道”这一项 ，反而倾向于补全一个格式完整 、查不到的一律舍弃，查得到的留下，面对它给出的任何引用、最让人头疼的往往不是文风 ，读起来可信的答案。这种把不存在的东西说得煞有介事的现象 ，用户越期待一个确凿的引用， 另一个推手来自信息的缺失与压缩 。它便按照这套概率结构把看起来最合理的词拼在一起 。合作者顺序、于是当被要求列参考文献时 ，训练时它读过海量文本 ，作者姓名 、很难被完整保留下来 。 它越容易礼貌地给出一个编造得滴水不漏的结果 。多音字姓名这类低频细节，它并不是从某个存储着真实文献的抽屉里把资料取出来，叫作“幻觉”。语法顺、精确的卷期页码、在人工智能领域有个专门的说法 ，而是根据上文逐字预测下一个词最可能是什么。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，格式对、模型的参数相当于对所读内容的高度概括，可拿去数据库一查 ，是搞清楚大语言模型到底在做什么。 理解这个问题的起点 ，把模型当作灵感甩干机和句式发生器是合理的 ，