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