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