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