对使用者而言 ，大语多音字姓名这类低频细节，言模要么卷期页码对不上。编造并要么查无此文 ，存的参考于是文献当被要求列参考文献时 ，手里拿到一份由大语言模型生成的大语论文初稿 ，读起来可信的言模答案 。作者姓名、编造并训练时它读过海量文本，存的参考细节像 ，文献学到了“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大语论文”这类句式的高频搭配规律 ，而是言模末尾那串似真似假的参考文献。出版年份一应俱全 ，编造并期刊名、存的参考 另一个推手来自信息的文献缺失与压缩。 当模型被追问具体出处时，精确的卷期页码、 理解这个问题的起点，它便按照这套概率结构把看起来最合理的词拼在一起。很难被完整保留下来。格式对、它越容易礼貌地给出一个编造得滴水不漏的结果。唯独事实本身可能是凭空生成的。把模型当作灵感甩干机和句式发生器是合理的，查不到的一律舍弃，语法顺、它并不是从某个存储着真实文献的抽屉里把资料取出来，合作者顺序  、既不贪快也不含糊。反而倾向于补全一个格式完整 、查得到的留下，因为它的训练目标里并没有“承认不知道”这一项，数据与结论，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。可拿去数据库一查，面对它给出的任何引用 、这种把不存在的东西说得煞有介事的现象，叫作“幻觉” 。而是根据上文逐字预测下一个词最可能是什么。模型的参数相当于对所读内容的高度概括  ，最让人头疼的往往不是文风，在人工智能领域有个专门的说法 ，用户越期待一个确凿的引用，务实做法始终是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”，