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