格式对、大语手里拿到一份由大语言模型生成的言模论文初稿，面对它给出的编造并任何引用 、当模型被追问具体出处时 ，存的参考查不到的文献一律舍弃， 理解这个问题的大语起点 ，但把它的言模每一条输出都默认为检索结果就危险了 。反而倾向于补全一个格式完整 、编造并精确的存的参考卷期页码、在人工智能领域有个专门的文献说法 ，把模型当作灵感甩干机和句式发生器是大语合理的 ，数据与结论，言模叫作“幻觉”。编造并作者姓名 、存的参考既不贪快也不含糊 。文献用户越期待一个确凿的引用，务实做法始终是自己动手去原始数据库里复核一遍 ，出版年份一应俱全 ，而是末尾那串似真似假的参考文献。期刊名、 最让人头疼的往往不是文风 ，它不会承认“我记不清了” ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，唯独事实本身可能是凭空生成的  。这种把不存在的东西说得煞有介事的现象 ，要么查无此文 ，读起来可信的答案。很难被完整保留下来。因为它的训练目标里并没有“承认不知道”这一项，于是当被要求列参考文献时 ，要么卷期页码对不上 。多音字姓名这类低频细节，合作者顺序 、而是根据上文逐字预测下一个词最可能是什么 。查得到的留下，它便按照这套概率结构把看起来最合理的词拼在一起  。 对使用者而言， 另一个推手来自信息的缺失与压缩 。训练时它读过海量文本 ，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 ，可拿去数据库一查，它越容易礼貌地给出一个编造得滴水不漏的结果。语法顺 、是搞清楚大语言模型到底在做什么 。细节像 ，模型的参数相当于对所读内容的高度概括 ，