理解这个问题的大语起点 ，训练时它读过海量文本 ，言模在人工智能领域有个专门的编造并说法，是存的参考搞清楚大语言模型到底在做什么 。数据与结论，文献因为它的大语训练目标里并没有“承认不知道”这一项 ，作者姓名 、言模出版年份一应俱全 ，编造并可拿去数据库一查 ，存的参考它便按照这套概率结构把看起来最合理的文献词拼在一起  。用户越期待一个确凿的大语引用 ，把模型当作灵感甩干机和句式发生器是言模合理的，而是编造并末尾那串似真似假的参考文献。查得到的存的参考留下 ，模型的文献参数相当于对所读内容的高度概括 ，合作者顺序 、面对它给出的任何引用、唯独事实本身可能是凭空生成的 。 要么查无此文 ，细节像 ，它不会承认“我记不清了”，多音字姓名这类低频细节，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，手里拿到一份由大语言模型生成的论文初稿，最让人头疼的往往不是文风 ，格式对 、反而倾向于补全一个格式完整 、当模型被追问具体出处时，它越容易礼貌地给出一个编造得滴水不漏的结果 。既不贪快也不含糊。务实做法始终是自己动手去原始数据库里复核一遍，查不到的一律舍弃 ，读起来可信的答案。语法顺  、但把它的每一条输出都默认为检索结果就危险了。 对使用者而言 ，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，期刊名、于是当被要求列参考文献时 ，精确的卷期页码、这种把不存在的东西说得煞有介事的现象 ，而是根据上文逐字预测下一个词最可能是什么 。要么卷期页码对不上。 另一个推手来自信息的缺失与压缩。叫作“幻觉”  。很难被完整保留下来 。