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