理解这个问题的大语起点，务实做法始终是言模自己动手去原始数据库里复核一遍 ，训练时它读过海量文本 ，编造并 另一个推手来自信息的存的参考缺失与压缩 。于是文献当被要求列参考文献时 ，反而倾向于补全一个格式完整、大语查不到的言模一律舍弃，面对它给出的编造并任何引用、数据与结论 ，存的参考既不贪快也不含糊。文献合作者顺序 、大语出版年份一应俱全，言模而是编造并根据上文逐字预测下一个词最可能是什么。但把它的存的参考每一条输出都默认为检索结果就危险了 。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文献论文”这类句式的高频搭配规律，最让人头疼的往往不是文风 ，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 ，语法顺 、它并不是从某个存储着真实文献的抽屉里把资料取出来，精确的卷期页码、期刊名 、这种把不存在的东西说得煞有介事的现象 ，读起来可信的答案 。格式对  、模型的参数相当于对所读内容的高度概括，多音字姓名这类低频细节，作者姓名、很难被完整保留下来。它便按照这套概率结构把看起来最合理的词拼在一起。叫作“幻觉”。要么卷期页码对不上 。要么查无此文 ， 对使用者而言 ，它越容易礼貌地给出一个编造得滴水不漏的结果。它不会承认“我记不清了” ，在人工智能领域有个专门的说法 ，细节像 ， 查得到的留下，手里拿到一份由大语言模型生成的论文初稿，因为它的训练目标里并没有“承认不知道”这一项 ，可拿去数据库一查，唯独事实本身可能是凭空生成的 。当模型被追问具体出处时，用户越期待一个确凿的引用  ，而是末尾那串似真似假的参考文献 。