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