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