格式对 、大语训练时它读过海量文本 ，言模多音字姓名这类低频细节，编造并因为它的存的参考训练目标里并没有“承认不知道”这一项 ，可拿去数据库一查 ，文献于是大语当被要求列参考文献时，反而倾向于补全一个格式完整 、言模查不到的编造并一律舍弃 ， 另一个推手来自信息的存的参考缺失与压缩 。面对它给出的文献任何引用 、 对使用者而言  ，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。当模型被追问具体出处时 ，编造并它不会承认“我记不清了”，存的参考手里拿到一份由大语言模型生成的文献论文初稿，数据与结论，而是末尾那串似真似假的参考文献 。合作者顺序 、务实做法始终是自己动手去原始数据库里复核一遍 ，叫作“幻觉” 。精确的卷期页码 、但把它的每一条输出都默认为检索结果就危险了 。 理解这个问题的起点 ，唯独事实本身可能是凭空生成的 。把模型当作灵感甩干机和句式发生器是合理的 ，查得到的留下 ，作者姓名 、 读起来可信的答案。语法顺 、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，要么卷期页码对不上 。期刊名、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，很难被完整保留下来。要么查无此文 ，它便按照这套概率结构把看起来最合理的词拼在一起 。用户越期待一个确凿的引用，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，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，在人工智能领域有个专门的说法 ，这种把不存在的东西说得煞有介事的现象，既不贪快也不含糊。最让人头疼的往往不是文风，细节像 ，