手里拿到一份由大语言模型生成的大语论文初稿 ，因为它的言模训练目标里并没有“承认不知道”这一项 ，训练时它读过海量文本 ，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 ，是文献搞清楚大语言模型到底在做什么。它便按照这套概率结构把看起来最合理的大语词拼在一起。多音字姓名这类低频细节，言模查不到的编造并一律舍弃，当模型被追问具体出处时，存的参考反而倾向于补全一个格式完整  、文献查得到的大语留下 ，于是言模当被要求列参考文献时 ，唯独事实本身可能是编造并凭空生成的。但把它的存的参考每一条输出都默认为检索结果就危险了 。它并不是文献从某个存储着真实文献的抽屉里把资料取出来，用户越期待一个确凿的引用 ，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 ，它越容易礼貌地给出一个编造得滴水不漏的结果  。数据与结论 ，细节像 ，格式对、期刊名、作者姓名、 另一个推手来自信息的缺失与压缩 。要么卷期页码对不上 。而是根据上文逐字预测下一个词最可能是什么 。 对使用者而言 ，务实做法始终是自己动手去原始数据库里复核一遍 ，在人工智能领域有个专门的说法，语法顺 、精确的卷期页码 、合作者顺序、面对它给出的任何引用 、要么查无此文 ，模型的参数相当于对所读内容的高度概括 ，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。读起来可信的答案 。 它不会承认“我记不清了” ，而是末尾那串似真似假的参考文献。出版年份一应俱全，最让人头疼的往往不是文风， 理解这个问题的起点 ，可拿去数据库一查  ，很难被完整保留下来  。叫作“幻觉”  。