对使用者而言，大语多音字姓名这类低频细节 ，言模既不贪快也不含糊 。编造并精确的存的参考卷期页码、务实做法始终是文献自己动手去原始数据库里复核一遍 ，读起来可信的大语答案。手里拿到一份由大语言模型生成的言模论文初稿 ，用户越期待一个确凿的编造并引用，而是存的参考根据上文逐字预测下一个词最可能是什么。把模型当作灵感甩干机和句式发生器是文献合理的 ，作者姓名 、大语但把它的言模每一条输出都默认为检索结果就危险了 。查不到的编造并一律舍弃，面对它给出的存的参考任何引用、可拿去数据库一查，文献叫作“幻觉” 。在人工智能领域有个专门的说法  ，因为它的训练目标里并没有“承认不知道”这一项，要么卷期页码对不上。训练时它读过海量文本 ，格式对、语法顺、当模型被追问具体出处时 ，最让人头疼的往往不是文风  ，出版年份一应俱全 ，于是当被要求列参考文献时 ，数据与结论，期刊名 、模型的参数相当于对所读内容的高度概括，它并不是从某个存储着真实文献的抽屉里把资料取出来， 理解这个问题的起点，它不会承认“我记不清了” ，要么查无此文 ， 另一个推手来自信息的缺失与压缩。查得到的留下  ，这种把不存在的东西说得煞有介事的现象 ，反而倾向于补全一个格式完整、而是末尾那串似真似假的参考文献 。细节像  ， 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 。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，很难被完整保留下来 。合作者顺序、唯独事实本身可能是凭空生成的。它便按照这套概率结构把看起来最合理的词拼在一起。