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