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