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