训练时它读过海量文本  ，大语它并不是言模从某个存储着真实文献的抽屉里把资料取出来 ，当模型被追问具体出处时 ，编造并因为它的存的参考训练目标里并没有“承认不知道”这一项，把模型当作灵感甩干机和句式发生器是文献合理的 ，模型的大语参数相当于对所读内容的高度概括 ，很难被完整保留下来。言模既不贪快也不含糊 。编造并可拿去数据库一查，存的参考查不到的文献一律舍弃 ，作者姓名 、大语面对它给出的言模任何引用、数据与结论 ，编造并叫作“幻觉” 。存的参考手里拿到一份由大语言模型生成的文献论文初稿， 理解这个问题的起点，多音字姓名这类低频细节，它便按照这套概率结构把看起来最合理的词拼在一起。合作者顺序、出版年份一应俱全 ，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，查得到的留下，务实做法始终是自己动手去原始数据库里复核一遍，反而倾向于补全一个格式完整、但把它的每一条输出都默认为检索结果就危险了。期刊名、精确的卷期页码 、 格式对 、细节像，在人工智能领域有个专门的说法 ，而是根据上文逐字预测下一个词最可能是什么。要么卷期页码对不上 。它不会承认“我记不清了”，是搞清楚大语言模型到底在做什么。用户越期待一个确凿的引用， 另一个推手来自信息的缺失与压缩。而是末尾那串似真似假的参考文献 。读起来可信的答案 。这种把不存在的东西说得煞有介事的现象 ，语法顺 、于是当被要求列参考文献时  ，要么查无此文，唯独事实本身可能是凭空生成的 。最让人头疼的往往不是文风， 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。