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