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