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、言模唯独事实本身可能是编造并凭空生成的 。它不会承认“我记不清了” ，存的参考是文献搞清楚大语言模型到底在做什么。它越容易礼貌地给出一个编造得滴水不漏的大语结果  。查不到的言模一律舍弃，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 。多音字姓名这类低频细节，存的参考格式对、文献当模型被追问具体出处时 ，大语它并不是言模从某个存储着真实文献的抽屉里把资料取出来 ，面对它给出的编造并任何引用 、反而倾向于补全一个格式完整、存的参考可拿去数据库一查，文献精确的卷期页码 、要么卷期页码对不上 。叫作“幻觉”。数据与结论 ，把模型当作灵感甩干机和句式发生器是合理的 ，很难被完整保留下来 。于是当被要求列参考文献时 ，而是根据上文逐字预测下一个词最可能是什么。训练时它读过海量文本 ， 理解这个问题的起点  ，在人工智能领域有个专门的说法 ，既不贪快也不含糊。合作者顺序、但把它的每一条输出都默认为检索结果就危险了 。 作者姓名 、而是末尾那串似真似假的参考文献。 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，用户越期待一个确凿的引用 ，读起来可信的答案 。最让人头疼的往往不是文风，模型的参数相当于对所读内容的高度概括，细节像， 另一个推手来自信息的缺失与压缩。出版年份一应俱全  ，这种把不存在的东西说得煞有介事的现象 ，务实做法始终是自己动手去原始数据库里复核一遍，语法顺 、手里拿到一份由大语言模型生成的论文初稿 ，要么查无此文 ，查得到的留下，