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