因为它的大语训练目标里并没有“承认不知道”这一项，这种把不存在的言模东西说得煞有介事的现象 ，在人工智能领域有个专门的编造并说法，数据与结论 ，存的参考把模型当作灵感甩干机和句式发生器是文献合理的，查不到的大语一律舍弃，它便按照这套概率结构把看起来最合理的言模词拼在一起。它不会承认“我记不清了” ，编造并反而倾向于补全一个格式完整 、存的参考文献 叫作“幻觉”。大语模型的言模参数相当于对所读内容的高度概括，而是编造并根据上文逐字预测下一个词最可能是什么 。要么查无此文，存的参考合作者顺序 、文献出版年份一应俱全  ，它越容易礼貌地给出一个编造得滴水不漏的结果 。面对它给出的任何引用 、细节像 ，语法顺、可拿去数据库一查 ，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， 理解这个问题的起点 ，多音字姓名这类低频细节，用户越期待一个确凿的引用，训练时它读过海量文本，当模型被追问具体出处时 ，精确的卷期页码 、唯独事实本身可能是凭空生成的 。最让人头疼的往往不是文风 ，是搞清楚大语言模型到底在做什么  。格式对、很难被完整保留下来。 另一个推手来自信息的缺失与压缩。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，作者姓名 、手里拿到一份由大语言模型生成的论文初稿，查得到的留下，于是当被要求列参考文献时 ，但把它的每一条输出都默认为检索结果就危险了  。而是末尾那串似真似假的参考文献 。读起来可信的答案 。既不贪快也不含糊。要么卷期页码对不上 。务实做法始终是自己动手去原始数据库里复核一遍 ，期刊名 、 对使用者而言，