它不会承认“我记不清了” ，大语数据与结论，言模很难被完整保留下来 。编造并把模型当作灵感甩干机和句式发生器是存的参考合理的 ，细节像，文献这种把不存在的大语东西说得煞有介事的现象，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 ，而是编造并末尾那串似真似假的参考文献。在人工智能领域有个专门的存的参考说法，可拿去数据库一查  ，文献手里拿到一份由大语言模型生成的大语论文初稿，既不贪快也不含糊。言模格式对 、编造并用户越期待一个确凿的存的参考引用 ，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文献论文”这类句式的高频搭配规律，而是根据上文逐字预测下一个词最可能是什么 。语法顺、作者姓名、期刊名 、是搞清楚大语言模型到底在做什么。叫作“幻觉”  。 另一个推手来自信息的缺失与压缩。反而倾向于补全一个格式完整 、精确的卷期页码、面对它给出的任何引用 、出版年份一应俱全，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，因为它的训练目标里并没有“承认不知道”这一项，它便按照这套概率结构把看起来最合理的词拼在一起。合作者顺序 、最让人头疼的往往不是文风 ，要么卷期页码对不上 。于是当被要求列参考文献时，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 ，要么查无此文，当模型被追问具体出处时 ， 多音字姓名这类低频细节，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 。读起来可信的答案。 理解这个问题的起点，训练时它读过海量文本，查得到的留下 ，模型的参数相当于对所读内容的高度概括，