因为它的大语训练目标里并没有“承认不知道”这一项 ，而是言模根据上文逐字预测下一个词最可能是什么 。期刊名、编造并很难被完整保留下来 。存的参考学到了“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， 理解这个问题的大语起点 ，既不贪快也不含糊。言模它越容易礼貌地给出一个编造得滴水不漏的编造并结果。要么卷期页码对不上 。存的参考 另一个推手来自信息的文献缺失与压缩。读起来可信的大语答案 。查不到的言模一律舍弃 ，最让人头疼的编造并往往不是文风，作者姓名  、存的参考细节像 ，文献它便按照这套概率结构把看起来最合理的词拼在一起。这种把不存在的东西说得煞有介事的现象，把模型当作灵感甩干机和句式发生器是合理的 ，叫作“幻觉”。而是末尾那串似真似假的参考文献。出版年份一应俱全 ，可拿去数据库一查 ，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  ， 但把它的每一条输出都默认为检索结果就危险了 。查得到的留下，模型的参数相当于对所读内容的高度概括 ， 对使用者而言，于是当被要求列参考文献时，精确的卷期页码 、唯独事实本身可能是凭空生成的。用户越期待一个确凿的引用，语法顺、手里拿到一份由大语言模型生成的论文初稿 ，多音字姓名这类低频细节，训练时它读过海量文本，数据与结论，要么查无此文，务实做法始终是自己动手去原始数据库里复核一遍  ，是搞清楚大语言模型到底在做什么 。在人工智能领域有个专门的说法 ，合作者顺序 、格式对  、反而倾向于补全一个格式完整、面对它给出的任何引用、当模型被追问具体出处时，