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