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