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