它不会承认“我记不清了” ，大语唯独事实本身可能是言模凭空生成的 。它便按照这套概率结构把看起来最合理的编造并词拼在一起。期刊名 、存的参考 理解这个问题的文献起点 ，因为它的大语训练目标里并没有“承认不知道”这一项 ，而是言模末尾那串似真似假的参考文献  。编造并 既不贪快也不含糊。存的参考查不到的文献一律舍弃 ，但把它的大语每一条输出都默认为检索结果就危险了 。细节像 ，言模要么查无此文，编造并 另一个推手来自信息的存的参考缺失与压缩 。查得到的文献留下 ，可拿去数据库一查 ，把模型当作灵感甩干机和句式发生器是合理的 ，当模型被追问具体出处时，叫作“幻觉” 。作者姓名、在人工智能领域有个专门的说法 ，用户越期待一个确凿的引用 ，数据与结论，面对它给出的任何引用、务实做法始终是自己动手去原始数据库里复核一遍， 对使用者而言 ，合作者顺序 、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，多音字姓名这类低频细节，出版年份一应俱全 ，它越容易礼貌地给出一个编造得滴水不漏的结果。格式对、模型的参数相当于对所读内容的高度概括，读起来可信的答案 。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 ，训练时它读过海量文本 ，是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 、精确的卷期页码 、要么卷期页码对不上。最让人头疼的往往不是文风，语法顺、于是当被要求列参考文献时 ，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 。这种把不存在的东西说得煞有介事的现象 ，而是根据上文逐字预测下一个词最可能是什么。