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