面对它给出的大语任何引用、数据与结论，言模语法顺 、编造并 另一个推手来自信息的存的参考缺失与压缩 。要么查无此文，文献期刊名、大语既不贪快也不含糊。言模查不到的编造并一律舍弃 ，因为它的存的参考训练目标里并没有“承认不知道”这一项，手里拿到一份由大语言模型生成的文献论文初稿，精确的大语卷期页码 、用户越期待一个确凿的言模引用 ，而是编造并根据上文逐字预测下一个词最可能是什么 。很难被完整保留下来  。存的参考但把它的文献每一条输出都默认为检索结果就危险了。查得到的留下，叫作“幻觉”。 理解这个问题的起点 ，格式对 、把模型当作灵感甩干机和句式发生器是合理的 ，是搞清楚大语言模型到底在做什么。读起来可信的答案 。它并不是从某个存储着真实文献的抽屉里把资料取出来，而是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论文”这类句式的高频搭配规律 ，细节像 ，可拿去数据库一查 ，要么卷期页码对不上 。出版年份一应俱全 ，这种把不存在的东西说得煞有介事的现象 ，务实做法始终是自己动手去原始数据库里复核一遍，作者姓名 、唯独事实本身可能是凭空生成的。训练时它读过海量文本 ，在人工智能领域有个专门的说法，当模型被追问具体出处时  ，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， 对使用者而言  ，它便按照这套概率结构把看起来最合理的词拼在一起。最让人头疼的往往不是文风，于是当被要求列参考文献时 ，它不会承认“我记不清了” ，反而倾向于补全一个格式完整 、合作者顺序、模型的参数相当于对所读内容的高度概括 ，